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
- 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) - Differentially Private Model-Based Offline Reinforcement Learning [51.1231068185106]
DP-MORLは差分プライバシーを保証するアルゴリズムである。
環境のプライベートモデルは、まずオフラインデータから学習される。
次に、モデルベースのポリシー最適化を使用して、プライベートモデルからポリシーを導出します。
論文 参考訳(メタデータ) (2024-02-08T10:05:11Z) - 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) - Trust your Good Friends: Source-free Domain Adaptation by Reciprocal
Neighborhood Clustering [50.46892302138662]
我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。
提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。
本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
論文 参考訳(メタデータ) (2023-09-01T15:31:18Z) - Unveiling the Role of Message Passing in Dual-Privacy Preservation on
GNNs [7.626349365968476]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークなどのグラフ上で表現を学習するための強力なツールである。
プライバシを保存するGNNは、ノードやリンクのプライバシの保護に重点を置いて提案されている。
本稿では,ノードとリンクの両方を効果的に保護するプライバシー保護型GNNフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-25T17:46:43Z) - CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。
最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。
教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
論文 参考訳(メタデータ) (2023-04-13T15:53:23Z) - 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) - 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。