論文の概要: PPGenCDR: A Stable and Robust Framework for Privacy-Preserving Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2305.16163v1
• Date: Thu, 11 May 2023 08:04:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-28 04:32:09.124141
• Title: PPGenCDR: A Stable and Robust Framework for Privacy-Preserving Cross-Domain Recommendation
• Title（参考訳）: PPGenCDR: プライバシー保護クロスドメイン勧告のための安定的でロバストなフレームワーク
• Authors: Xinting Liao, Weiming Liu, Xiaolin Zheng, Binhui Yao, and Chaochao Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.83404821252712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy-preserving cross-domain recommendation (PPCDR) refers to preserving the privacy of users when transferring the knowledge from source domain to target domain for better performance, which is vital for the long-term development of recommender systems. Existing work on cross-domain recommendation (CDR) reaches advanced and satisfying recommendation performance, but mostly neglects preserving privacy. To fill this gap, we propose a privacy-preserving generative cross-domain recommendation (PPGenCDR) framework for PPCDR. PPGenCDR includes two main modules, i.e., stable privacy-preserving generator module, and robust cross-domain recommendation module. Specifically, the former isolates data from different domains with a generative adversarial network (GAN) based model, which stably estimates the distribution of private data in the source domain with Renyi differential privacy (RDP) technique. Then the latter aims to robustly leverage the perturbed but effective knowledge from the source domain with the raw data in target domain to improve recommendation performance. Three key modules, i.e., (1) selective privacy preserver, (2) GAN stabilizer, and (3) robustness conductor, guarantee the cost-effective trade-off between utility and privacy, the stability of GAN when using RDP, and the robustness of leveraging transferable knowledge accordingly. The extensive empirical studies on Douban and Amazon datasets demonstrate that PPGenCDR significantly outperforms the state-of-the-art recommendation models while preserving privacy.
• Abstract（参考訳）: 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に知識を転送する際のユーザのプライバシを保存することであり、リコメンデーションシステムの長期的な開発に不可欠である。 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。 このギャップを埋めるために、PPCDRのためのプライバシー保護型生成ドメインレコメンデーション(PPGenCDR)フレームワークを提案する。 PPGenCDRには、安定なプライバシ保存ジェネレータモジュールと堅牢なクロスドメインレコメンデーションモジュールの2つの主要なモジュールが含まれている。 具体的には、gan(generative adversarial network)ベースのモデルを用いて、異なるドメインからデータを分離し、renyi differential privacy(rdp)技術を用いて、ソースドメイン内のプライベートデータの分布を安定的に見積もる。 次に、後者は、ソースドメインからの摂動だが効果的な知識をターゲットドメインの生データにしっかりと活用し、レコメンデーションパフォーマンスを向上させることを目的としています。 1)選択的プライバシ保持器,(2)gan安定化器,(3)ロバスト性導体という3つのキーモジュールは,実用性とプライバシの間の費用対効果の高いトレードオフ,rdpを使用する際のganの安定性,それに応じて転送可能な知識を活用するロバスト性を保証する。 DoubanとAmazonのデータセットに関する広範な実証研究は、PPGenCDRがプライバシーを維持しながら最先端のレコメンデーションモデルを大幅に上回っていることを示している。

関連論文リスト

• Privacy-Preserving Dynamic Assortment Selection [4.399892832075127]
  本稿では,マルチノミアルロジット(MNL)バンドレートモデルを用いて,プライバシ保護のための動的アソシエーション選択のための新しいフレームワークを提案する。 弊社のアプローチでは、ノイズをユーザユーティリティ推定に統合し、探索とエクスプロイトのバランスを保ちつつ、堅牢なプライバシー保護を確保している。
  論文  参考訳（メタデータ） (2024-10-29T19:28:01Z)
• Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
  ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。 本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
  論文  参考訳（メタデータ） (2024-10-24T03:39:55Z)
• Federated Graph Learning for Cross-Domain Recommendation [33.33321213257222]
  クロスドメインレコメンデーション(CDR)は、ソースドメインとターゲットドメイン間の知識伝達を可能にすることで、データ空間の問題に対する有望な解決策を提供する。 我々は、複数のソースドメインからの肯定的な知識を安全かつ効果的に活用する新しいグラフ学習フレームワークであるFedGCDRを提案する。 我々は、Amazonデータセットの16のポピュラーなドメインに関する広範な実験を行い、FedGCDRが最先端の手法を大幅に上回っていることを実証した。
  論文  参考訳（メタデータ） (2024-10-10T12:19:51Z)
• Convergent Differential Privacy Analysis for General Federated Learning: the $f$-DP Perspective [57.35402286842029]
  フェデレートラーニング(Federated Learning, FL)は、ローカルプライバシを重視した効率的な協調トレーニングパラダイムである。 ディファレンシャルプライバシ(DP)は、私的保護の信頼性を捕捉し、保証するための古典的なアプローチである。
  論文  参考訳（メタデータ） (2024-08-28T08:22:21Z)
• Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
  我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。 信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
  論文  参考訳（メタデータ） (2024-06-29T02:40:28Z)
• A Privacy-Preserving Framework with Multi-Modal Data for Cross-Domain Recommendation [13.33679167416221]
  クロスドメインレコメンデーション(CDR)は、スパースデータによるターゲットドメインのレコメンデーション精度を高めることを目的としている。 本稿では,P2M2-CDRと呼ばれるクロスドメイン勧告のためのマルチモーダルデータを用いたプライバシ保護フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:40:08Z)
• Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation [45.39171059168941]
  ヘテロジニアス・インフォメーション・ネットワーク (HIN) は、レコメンデーションシステムにおけるデータの分散を緩和するための強力なツールである。 本稿では,HINをクライアント側に保存されたプライベートなHINに分割し,サーバ上で共有する手法を提案する。 我々は、差分プライバシーの観点から、HINベースのフェデレーションレコメンデーション(FedRec)のプライバシー定義を定式化する。
  論文  参考訳（メタデータ） (2023-10-18T05:59:41Z)
• Just Fine-tune Twice: Selective Differential Privacy for Large Language Models [69.66654761324702]
  本稿では,大規模なトランスフォーマーベース言語モデルのためのSDPを実現するための,シンプルで効果的なジャストファイントゥンツースプライバシ機構を提案する。 実験により, カナリア挿入攻撃に対して頑健でありながら, 高い性能が得られた。
  論文  参考訳（メタデータ） (2022-04-15T22:36:55Z)
• Differential Private Knowledge Transfer for Privacy-Preserving Cross-Domain Recommendation [31.412833205047495]
  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。
  論文  参考訳（メタデータ） (2022-02-10T08:31:37Z)
• 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)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)

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。