論文の概要: Differential Private Knowledge Transfer for Privacy-Preserving Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2202.04893v1
• Date: Thu, 10 Feb 2022 08:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 15:51:45.597573
• Title: Differential Private Knowledge Transfer for Privacy-Preserving Cross-Domain Recommendation
• Title（参考訳）: プライバシー保護型クロスドメインレコメンデーションのための差分プライベート知識転送
• Authors: Chaochao Chen, Huiwen Wu, Jiajie Su, Lingjuan Lyu, Xiaolin Zheng and Li Wang
• Abstract要約: CDR(Cross Domain Recommendation)は、推奨システムによく見られるコールドスタートとデータ空間の問題を軽減するために広く研究されている。 プライバシ保護のための新しい2段階CDRフレームワーク(PriCDR)を提案する。 PriCDRは、ソースドメインのデータプライバシを保護するだけでなく、ソースドメインのデータスパーシ性を軽減することもできる。
• 参考スコア（独自算出の注目度）: 31.412833205047495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross Domain Recommendation (CDR) has been popularly studied to alleviate the cold-start and data sparsity problem commonly existed in recommender systems. CDR models can improve the recommendation performance of a target domain by leveraging the data of other source domains. However, most existing CDR models assume information can directly 'transfer across the bridge', ignoring the privacy issues. To solve the privacy concern in CDR, in this paper, we propose a novel two stage based privacy-preserving CDR framework (PriCDR). In the first stage, we propose two methods, i.e., Johnson-Lindenstrauss Transform (JLT) based and Sparse-awareJLT (SJLT) based, to publish the rating matrix of the source domain using differential privacy. We theoretically analyze the privacy and utility of our proposed differential privacy based rating publishing methods. In the second stage, we propose a novel heterogeneous CDR model (HeteroCDR), which uses deep auto-encoder and deep neural network to model the published source rating matrix and target rating matrix respectively. To this end, PriCDR can not only protect the data privacy of the source domain, but also alleviate the data sparsity of the source domain. We conduct experiments on two benchmark datasets and the results demonstrate the effectiveness of our proposed PriCDR and HeteroCDR.
• Abstract（参考訳）: CDR(Cross Domain Recommendation)は、推奨システムによく見られるコールドスタートとデータ空間の問題を軽減するために広く研究されている。 CDRモデルは、他のソースドメインのデータを活用することで、ターゲットドメインのレコメンデーションパフォーマンスを改善することができる。 しかし、既存のほとんどのCDRモデルは、情報が直接「橋を渡る」ことができると仮定し、プライバシーの問題を無視している。 本稿では,CDRにおけるプライバシの懸念を解決するために,新しい2段階ベースのプライバシ保護型CDRフレームワーク(PriCDR)を提案する。 第1段階では、johnson-lindenstrauss変換(jlt)とsparse-awarejlt(sjlt)の2つの手法を提案し、差分プライバシーを用いてソースドメインの格付け行列を公開する。 提案する差分プライバシーに基づく評価出版手法のプライバシーと実用性を理論的に分析する。 第2段階では,Deep Auto-EncoderとDeep Neural Networkを用いた新たな異種CDRモデル(HeteroCDR)を提案する。 この目的のために、PriCDRはソースドメインのデータプライバシを保護するだけでなく、ソースドメインのデータスパーシ性を軽減することができる。 2つのベンチマークデータセットで実験を行い、提案したPriCDRとHeteroCDRの有効性を実証した。

関連論文リスト

• Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
  CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。 本稿では,HGDR (Heterogeneous Graph-based Framework with Disentangled Representations Learning)を提案する。 実世界のデータセットとオンラインA/Bテストの実験により、提案モデルがドメイン間の情報を効果的に伝達できることが証明された。
  論文  参考訳（メタデータ） (2024-07-01T02:27:54Z)
• Diffusion Cross-domain Recommendation [0.0]
  コールドスタートユーザに高品質な結果を提供するために拡散クロスドメイン勧告(DiffCDR)を提案する。 まず、DPMの理論を採用し、ターゲットドメインにユーザの埋め込みを生成する拡散モジュール(DIM)を設計する。 さらに、ターゲットドメインのラベルデータを検討し、タスク指向の損失関数を作成し、DiffCDRが特定のタスクに適応できるようにする。
  論文  参考訳（メタデータ） (2024-02-03T15:14:51Z)
• PPGenCDR: A Stable and Robust Framework for Privacy-Preserving Cross-Domain Recommendation [13.83404821252712]
  プライバシ保護クロスドメインレコメンデーション(PPCDR)とは、ソースドメインからターゲットドメインへの知識転送時にユーザのプライバシを保存すること。 クロスドメインレコメンデーション(CDR)に関する既存の作業は、高度なレコメンデーションパフォーマンスを満足する一方で、プライバシの保護をほとんど無視している。 PPCDRのためのプライバシ保護型生成型クロスドメインレコメンデーション(enCDR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-11T08:04:05Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• A Prototype-Oriented Clustering for Domain Shift with Source Privacy [66.67700676888629]
  本稿では,PCD(Prototype-oriented Clustering with Distillation)を導入し,既存の手法の性能と適用性を向上させる。 PCDはまず、プロトタイプとデータの分布を整列することで、ソースクラスタリングモデルを構築する。 その後、ソースモデルが提供するクラスタラベルを通じてターゲットモデルに知識を蒸留し、同時にターゲットデータをクラスタ化する。
  論文  参考訳（メタデータ） (2023-02-08T00:15:35Z)
• Reproducibility-Oriented and Privacy-Preserving Genomic Dataset Sharing [8.959228247984337]
  本稿では,ゲノムデータセットを共有するための差分プライバシに基づく手法を提案する。 提案手法は, GWAS結果の誤り検出における他の手法よりも優れ, 有効性が向上し, メンバーシップ推論攻撃(MIA)に対するプライバシー保護が向上することを示す。 この手法を利用することで、ゲノム研究者は、データセットの高品質なバージョンを、相違なくプライベートに共有する傾向にある。
  論文  参考訳（メタデータ） (2022-09-13T22:20:41Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation [16.213603171466602]
  CDR(Cross-Domain Recommendation)は、様々なドメイン知識を活用して、レコメンデータシステムにおけるデータスパーシリティとコールドスタート問題を解決するために広く研究されている。 本稿では,Review-based Non-overlapped Recommendation (RNCDR)問題に焦点をあてる。 この問題は2つの主要な側面、すなわち、対象ドメインに肯定的なユーザイテム格付けしか存在せず、異なるドメインにまたがって重複するユーザが存在しないため、一般的に存在し難解である。 ほとんどの従来のCDRアプローチは、レビューと他のレビューを効果的に組み合わせることができないため、RCCDRの問題をうまく解決できない。
  論文  参考訳（メタデータ） (2022-02-10T09:22:30Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)

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。