論文の概要: A Privacy Preserving System for Movie Recommendations Using Federated Learning
- arxiv url: http://arxiv.org/abs/2303.04689v4
- Date: Thu, 16 May 2024 11:03:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-17 19:53:36.273982
- Title: A Privacy Preserving System for Movie Recommendations Using Federated Learning
- Title（参考訳）: フェデレートラーニングを用いた映画推薦のためのプライバシー保護システム
- Authors: David Neumann, Andreas Lutz, Karsten Müller, Wojciech Samek,
- Abstract要約: 本稿では,映画レコメンデーションのためのレコメンデーションシステムを提案する。
フェデレートされた学習を用いてトレーニングされるため、その性質上、プライバシ保護が重要である。
FedQと呼ばれる新しいフェデレーション学習スキームが採用され、非i.d.nessと小さなローカルデータセットの問題に対処する。
- 参考スコア（独自算出の注目度）: 12.751432553199628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems have become ubiquitous in the past years. They solve the tyranny of choice problem faced by many users, and are utilized by many online businesses to drive engagement and sales. Besides other criticisms, like creating filter bubbles within social networks, recommender systems are often reproved for collecting considerable amounts of personal data. However, to personalize recommendations, personal information is fundamentally required. A recent distributed learning scheme called federated learning has made it possible to learn from personal user data without its central collection. Consequently, we present a recommender system for movie recommendations, which provides privacy and thus trustworthiness on multiple levels: First and foremost, it is trained using federated learning and thus, by its very nature, privacy-preserving, while still enabling users to benefit from global insights. Furthermore, a novel federated learning scheme, called FedQ, is employed, which not only addresses the problem of non-i.i.d.-ness and small local datasets, but also prevents input data reconstruction attacks by aggregating client updates early. Finally, to reduce the communication overhead, compression is applied, which significantly compresses the exchanged neural network parametrizations to a fraction of their original size. We conjecture that this may also improve data privacy through its lossy quantization stage.
- Abstract（参考訳）: 近年、レコメンダシステムは普及している。
彼らは多くのユーザーが直面している選択の暴行を解決し、多くのオンラインビジネスがエンゲージメントと販売を促進するために利用している。
ソーシャルネットワーク内でフィルターバブルを作成するなどの他の批判に加えて、リコメンダシステムは大量の個人情報を収集するためにしばしば修正される。
しかし、レコメンデーションをパーソナライズするためには、個人情報が不可欠である。
フェデレートラーニング(Federated Learning)と呼ばれる最近の分散学習方式により,集中的な収集なしに個人ユーザデータから学習することが可能になった。
第一に、第一に、フェデレーション学習を用いてトレーニングされており、その性質上、プライバシーを保護しつつ、ユーザはグローバルな洞察から恩恵を受けられるようにしています。
さらに、FedQと呼ばれる新しいフェデレーション学習方式が採用され、非i-d-nessや小さなローカルデータセットの問題に対処するだけでなく、クライアント更新を早期に集約することで入力データ再構成攻撃を防止する。
最後に、通信オーバヘッドを低減するために圧縮を適用し、交換されたニューラルネットワークのパラメトリゼーションを元のサイズのごく一部に大幅に圧縮する。
これは、損失の少ない量子化段階を通じてデータのプライバシを改善する可能性があると推測する。
関連論文リスト
- Ungeneralizable Examples [70.76487163068109]
学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。
学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。
UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
論文 参考訳（メタデータ） (2024-04-22T09:29:14Z) - Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。
既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。
本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-29T07:04:48Z) - User Consented Federated Recommender System Against Personalized
Attribute Inference Attack [55.24441467292359]
本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。
UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
論文 参考訳（メタデータ） (2023-12-23T09:44:57Z) - Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。
ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
論文 参考訳（メタデータ） (2023-04-06T05:20:16Z) - 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) - Robbing the Fed: Directly Obtaining Private Data in Federated Learning
with Modified Models [56.0250919557652]
フェデレーション学習は、ユーザーのプライバシーと効率を高めるという約束で急速に人気を集めている。
ユーザプライバシに対する以前の攻撃はスコープが限られており、少数のデータポイントに集約されたグラデーション更新にはスケールしない。
共有モデルアーキテクチャの最小限ではあるが悪意のある変更に基づく新しい脅威モデルを導入する。
論文 参考訳（メタデータ） (2021-10-25T15:52:06Z) - Fidel: Reconstructing Private Training Samples from Weight Updates in
Federated Learning [0.0]
フェデレーション学習における新しい攻撃手法を評価し,第1次ディセンス層攻撃(Fidel)と名付けた。
完全接続されたニューラルネットワークを用いて、クライアントのモデル更新から30個のプライベートデータサンプルのうち20個を平均して復元する方法を示す。
論文 参考訳（メタデータ） (2021-01-01T04:00:23Z) - FedeRank: User Controlled Feedback with Federated Recommender Systems [4.474834288759608]
データプライバシーは、デジタル時代の最も顕著な懸念の1つです。
我々はプライバシ保護の分散機械学習パラダイムであるFedeRankを紹介する。
また,FedeRankの有効性を,共有ユーザデータのごく一部であっても,推薦精度の観点から示す。
論文 参考訳（メタデータ） (2020-12-15T22:26:54Z) - A Novel Privacy-Preserved Recommender System Framework based on
Federated Learning [0.0]
本稿では,プライバシ保護型リコメンデータシステムフレームワーク(PPRSF)を提案する。
PPRSFは、プライバシー漏洩のリスクを減らすだけでなく、法と規制の要件を満たすだけでなく、さまざまな推奨アルゴリズムの適用を可能にしている。
論文 参考訳（メタデータ） (2020-11-11T08:07:58Z) - Differentially Private Secure Multi-Party Computation for Federated
Learning in Financial Applications [5.50791468454604]
フェデレートラーニングにより、信頼されたサーバで作業する多くのクライアントが、共有機械学習モデルを共同で学習することが可能になる。
これにより機密データを露出するリスクが軽減されるが、通信されたモデルパラメータからクライアントのプライベートデータセットに関する情報をリバースすることが可能になる。
筆者らは,非専門的な聴衆にプライバシ保存型フェデレーション学習プロトコルを提示し,実世界のクレジットカード詐欺データセットにロジスティック回帰を用いてそれを実証し,オープンソースシミュレーションプラットフォームを用いて評価する。
論文 参考訳（メタデータ） (2020-10-12T17:16:27Z) - A Federated Multi-View Deep Learning Framework for Privacy-Preserving
Recommendations [25.484225182093947]
プライバシー保護の勧告は、ユーザーのプライバシーとデータセキュリティに対する懸念から、勢いを増している。
FedRecアルゴリズムは、パーソナライズされたプライバシー保護レコメンデーションを実現するために提案されている。
本稿では,汎用コンテンツベースフェデレーション型マルチビューレコメンデーションフレームワークFLMV-DSSMを提案する。
論文 参考訳（メタデータ） (2020-08-25T04:19:40Z)
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。