論文の概要: Practical and Secure Federated Recommendation with Personalized Masks
- arxiv url: http://arxiv.org/abs/2109.02464v1
- Date: Wed, 18 Aug 2021 07:12:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-12 10:54:06.994953
- Title: Practical and Secure Federated Recommendation with Personalized Masks
- Title（参考訳）: パーソナライズされたマスクを用いた実践的かつセキュアなフェデレーション勧告
- Authors: Liu Yang, Ben Tan, Bo Liu, Vincent W. Zheng, Kai Chen, Qiang Yang
- Abstract要約: フェデレートレコメンデーションは、プライベート分散レコメンデーションシステムの新たな概念である。
現在のレコメンデータシステムは、主に同型暗号化と差分プライバシー方式を利用している。
本稿では,新しいフェデレーション・リコメンデーション・フレームワークであるフェデレーション・マスク・マトリックス・ファクタライゼーションを提案する。
- 参考スコア（独自算出の注目度）: 24.565751694946062
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated recommendation is a new notion of private distributed recommender
systems. It aims to address the data silo and privacy problems altogether.
Current federated recommender systems mainly utilize homomorphic encryption and
differential privacy methods to protect the intermediate computational results.
However, the former comes with extra communication and computation costs, the
latter damages model accuracy. Neither of them could simultaneously satisfy the
real-time feedback and accurate personalization requirements of recommender
systems. In this paper, we proposed a new federated recommendation framework,
named federated masked matrix factorization. Federated masked matrix
factorization could protect the data privacy in federated recommender systems
without sacrificing efficiency or efficacy. Instead of using homomorphic
encryption and differential privacy, we utilize the secret sharing technique to
incorporate the secure aggregation process of federated matrix factorization.
Compared with homomorphic encryption, secret sharing largely speeds up the
whole training process. In addition, we introduce a new idea of personalized
masks and apply it in the proposed federated masked matrix factorization
framework. On the one hand, personalized masks could further improve
efficiency. On the other hand, personalized masks also benefit efficacy.
Empirically, we show the superiority of the designed model on different
real-world data sets. Besides, we also provide the privacy guarantee and
discuss the extension of the personalized mask method to the general federated
learning tasks.
- Abstract（参考訳）: 連合レコメンデーションは、プライベート分散レコメンデーションシステムの新しい概念である。
データサイロとプライバシーの問題を完全に解決することを目指している。
現在のフェデレーション・リコメンデータ・システムは、主に準同型暗号と微分プライバシー法を用いて中間計算結果を保護する。
しかし、前者は追加の通信コストと計算コストを伴い、後者はモデルの精度を損なう。
どちらもリアルタイムのフィードバックと、レコメンダシステムの正確なパーソナライズ要件を同時に満たすことはできない。
本稿では,federated masked matrix factorizationと呼ばれる新しいフェデレーション推奨フレームワークを提案する。
federated masked matrix factorizationは、効率や有効性を犠牲にすることなく、federated recommenderシステムのデータのプライバシを保護することができる。
準同型暗号と微分プライバシーを使う代わりに、秘密共有技術を利用して、フェデレート行列因子分解のセキュアな集約プロセスを組み込む。
同型暗号化と比較して、シークレット共有はトレーニングプロセス全体を高速化する。
さらに,パーソナライズされたマスクの新たなアイデアを紹介し,提案するフェデレーションマスク行列因子化フレームワークに適用する。
一方、パーソナライズされたマスクは効率をさらに向上させる可能性がある。
一方、パーソナライズされたマスクも効果がある。
実世界の異なるデータセットにおいて,設計モデルの優越性を示す。
また、プライバシの保証を提供し、一般的な連合学習タスクへのパーソナライズされたマスクメソッドの拡張についても論じる。
関連論文リスト
- Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。
通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。
RFRecFの強靭性は、多様なベースラインに比べて優れている。
論文 参考訳（メタデータ） (2024-11-03T12:10:20Z) - Masked Differential Privacy [64.32494202656801]
本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。
提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
論文 参考訳（メタデータ） (2024-10-22T15:22:53Z) - Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。
本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
論文 参考訳（メタデータ） (2024-08-16T05:49:14Z) - Adaptive Hybrid Masking Strategy for Privacy-Preserving Face Recognition Against Model Inversion Attack [7.82336679905826]
本稿では,モデル反転攻撃(MIA)に対する適応型ハイブリッドマスキングアルゴリズムを提案する。
具体的には、適応型MixUp戦略を用いて、周波数領域に顔画像が隠蔽される。
提案手法は,MIAに対するプライバシ保護と認識精度において,既存の防御アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2024-03-14T02:17:57Z) - A Learning-based Declarative Privacy-Preserving Framework for Federated Data Management [23.847568516724937]
本稿では,DP-SGDアルゴリズムを用いて学習したディープラーニングモデルを用いた新たなプライバシ保存手法を提案する。
次に、ユーザが"保護する方法"ではなく、"保護すべきプライベート情報"を指定可能な、宣言的なプライバシ保護ワークフローを新たにデモします。
論文 参考訳（メタデータ） (2024-01-22T22:50:59Z) - Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。
具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。
本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
論文 参考訳（メタデータ） (2023-09-11T09:26:07Z) - Theoretically Principled Federated Learning for Balancing Privacy and
Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。
フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文 参考訳（メタデータ） (2023-05-24T13:44:02Z) - Decentralized Matrix Factorization with Heterogeneous Differential
Privacy [2.4743508801114444]
信頼できないリコメンデータに対して, 異種差分行列分解アルゴリズム(HDPMF)を提案する。
我々のフレームワークは、プライバシと精度のトレードオフを改善するために、革新的な再スケーリングスキームを備えた拡張ストレッチ機構を使用している。
論文 参考訳（メタデータ） (2022-12-01T06:48:18Z) - PrivMVMF: Privacy-Preserving Multi-View Matrix Factorization for
Recommender Systems [0.190365714903665]
我々は、同型暗号化に基づく新しいプライバシ保存フレームワーク、プライバシ保存多視点行列分解(PrivMVMF)を提案する。
PrivMVMFはMovieLensデータセットでうまく実装され、徹底的にテストされている。
論文 参考訳（メタデータ） (2022-09-29T03:21:24Z) - OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。
本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。
提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
論文 参考訳（メタデータ） (2022-05-24T11:29:37Z) - Privacy Threats Against Federated Matrix Factorization [14.876668437269817]
連合学習フレームワークにおける行列因数分解手法のプライバシ・脅威について検討する。
本研究は,連合学習フレームワークにおける行列因数分解手法のプライバシ・脅威に関する最初の研究である。
論文 参考訳（メタデータ） (2020-07-03T09:58:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。