論文の概要: Exploiting Data Sparsity in Secure Cross-Platform Social Recommendation
- arxiv url: http://arxiv.org/abs/2202.07253v1
- Date: Tue, 15 Feb 2022 08:46:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 00:37:48.663991
- Title: Exploiting Data Sparsity in Secure Cross-Platform Social Recommendation
- Title（参考訳）: 安全なクロスプラットフォームソーシャルレコメンデーションにおけるデータスパリティの爆発
- Authors: Jamie Cui and Chaochao Chen and Lingjuan Lyu and Carl Yang and Li Wang
- Abstract要約: 社会的レコメンデーションは従来のシステムよりも有望な改善を示している。
既存の作業の多くは、すべてのデータがレコメンデーションプラットフォームで利用可能であると仮定している。
本稿では,セキュアなクロスプラットフォームソーシャルレコメンデーションフレームワークであるS3Recを提案する。
- 参考スコア（独自算出の注目度）: 34.60672247558132
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Social recommendation has shown promising improvements over traditional
systems since it leverages social correlation data as an additional input. Most
existing work assumes that all data are available to the recommendation
platform. However, in practice, user-item interaction data (e.g.,rating) and
user-user social data are usually generated by different platforms, and both of
which contain sensitive information. Therefore, "How to perform secure and
efficient social recommendation across different platforms, where the data are
highly-sparse in nature" remains an important challenge. In this work, we bring
secure computation techniques into social recommendation, and propose S3Rec, a
sparsity-aware secure cross-platform social recommendation framework. As a
result, our model can not only improve the recommendation performance of the
rating platform by incorporating the sparse social data on the social platform,
but also protect data privacy of both platforms. Moreover, to further improve
model training efficiency, we propose two secure sparse matrix multiplication
protocols based on homomorphic encryption and private information retrieval.
Our experiments on two benchmark datasets demonstrate the effectiveness of
S3Rec.
- Abstract（参考訳）: ソーシャルリコメンデーションは、社会的相関データを追加のインプットとして活用するため、従来のシステムよりも有望な改善が示されている。
既存の作業の多くは、すべてのデータがレコメンデーションプラットフォームで利用できると仮定している。
しかし、実際には、ユーザとコンテンツの相互作用データ(レーティングなど)とユーザとユーザのソーシャルデータは、通常異なるプラットフォームによって生成され、どちらも機密情報を含んでいる。
ですから,“データの質が極めて低い,さまざまなプラットフォームでセキュアで効率的なソーシャルレコメンデーションを実現する方法”は,依然として重要な課題です。
本研究では,ソーシャルレコメンデーションにセキュアな計算手法を導入し,分散性を考慮したセキュアなクロスプラットフォームソーシャルレコメンデーションフレームワークであるS3Recを提案する。
その結果,ソーシャルプラットフォーム上でスパースなソーシャルデータを取り入れることで,評価プラットフォームのレコメンデーションパフォーマンスを向上させるだけでなく,両プラットフォームのデータのプライバシを保護することが可能となった。
さらに,モデル学習効率をさらに向上するために,同型暗号とプライベート情報検索に基づく2つのセキュアスパース行列乗算プロトコルを提案する。
2つのベンチマークデータセットに対する実験により,S3Recの有効性が示された。
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) - P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Networks [17.901647467076476]
プライバシ保護二要素グラフ畳み込みネットワーク(P4GCN)を利用した新しい縦型ソーシャルレコメンデーション手法を提案する。
4つの実世界のデータセットの実験により、P4GCNは推奨精度で最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-10-16T12:29:22Z) - Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。
既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。
本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
論文 参考訳（メタデータ） (2024-05-27T02:45:01Z) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳（メタデータ） (2023-07-29T12:54:03Z) - FedPDD: A Privacy-preserving Double Distillation Framework for
Cross-silo Federated Recommendation [4.467445574103374]
クロスプラットフォームレコメンデーションは、さまざまなプラットフォームから異種機能を集めることで、レコメンデーションの精度を向上させることを目的としている。
このようなプラットフォーム間のクロスサイロなコラボレーションは、ますます厳しいプライバシー保護規制によって制限される。
クロスサイロ・フェデレーション・レコメンデーションのための新しいプライバシー保護型二重蒸留フレームワークであるFedPDDを提案する。
論文 参考訳（メタデータ） (2023-05-09T16:17:04Z) - Cross-Network Social User Embedding with Hybrid Differential Privacy
Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。
特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。
ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文 参考訳（メタデータ） (2022-09-04T06:22:37Z) - Leveraging Social Influence based on Users Activity Centers for
Point-of-Interest Recommendation [2.896192909215469]
明示的な友情ネットワークとユーザ間の高いチェックインオーバラップに基づく2段階の友情を導入する。
その結果,提案手法は2つの実世界のデータセットにおいて最先端のモデルよりも優れていた。
論文 参考訳（メタデータ） (2022-01-10T16:46:27Z) - Federated Social Recommendation with Graph Neural Network [69.36135187771929]
本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。
我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
論文 参考訳（メタデータ） (2021-11-21T09:41:39Z) - Practical Privacy Preserving POI Recommendation [26.096197310800328]
本稿では,プライバシ保護のためのPOI勧告(PriRec)フレームワークを提案する。
PriRecは、ユーザのプライベートな生データとモデルを自身の手で保持し、ユーザのプライバシを広範囲に保護する。
実世界のデータセットにPriRecを適用し、包括的な実験により、FMと比較すると、PriRecは同等またはそれ以上のレコメンデーション精度を達成した。
論文 参考訳（メタデータ） (2020-03-05T06:06:40Z) - Secure Social Recommendation based on Secret Sharing [23.74692198296859]
Facebookのようなソーシャルプラットフォームで豊富なソーシャル情報は、システムに推奨する上で有用である。
既存のレコメンデーションモデルのほとんどは、ソーシャル情報が利用可能であるという仮定に基づいて構築されている。
本稿では,ソーシャルプラットフォームから知識を共同でマイニングし,レコメンデーション性能を向上させるSEcure Social Recommendationフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-06T03:49:51Z)
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。