論文の概要: FedDMF: Privacy-Preserving User Attribute Prediction using Deep Matrix Factorization

• arxiv url: http://arxiv.org/abs/2312.15420v1
• Date: Sun, 24 Dec 2023 06:49:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 18:01:52.674395
• Title: FedDMF: Privacy-Preserving User Attribute Prediction using Deep Matrix Factorization
• Title（参考訳）: FedDMF:Deep Matrix Factorizationを用いたプライバシ保護ユーザ属性予測
• Authors: Ming Cheung
• Abstract要約: 本稿では,ユーザマッチングを必要とせず,ユーザの属性を予測する新しいアルゴリズムを提案する。 我々のアプローチは、異なるクライアント上で深い行列分解モデルを訓練し、属性項目ベクトルのみを共有することである。 これにより、ユーザベクトル自体を共有することなく、ユーザ属性を予測できます。
• 参考スコア（独自算出の注目度）: 1.9181612035055007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User attribute prediction is a crucial task in various industries. However, sharing user data across different organizations faces challenges due to privacy concerns and legal requirements regarding personally identifiable information. Regulations such as the General Data Protection Regulation (GDPR) in the European Union and the Personal Information Protection Law of the People's Republic of China impose restrictions on data sharing. To address the need for utilizing features from multiple clients while adhering to legal requirements, federated learning algorithms have been proposed. These algorithms aim to predict user attributes without directly sharing the data. However, existing approaches typically rely on matching users across companies, which can result in dishonest partners discovering user lists or the inability to utilize all available features. In this paper, we propose a novel algorithm for predicting user attributes without requiring user matching. Our approach involves training deep matrix factorization models on different clients and sharing only the item vectors. This allows us to predict user attributes without sharing the user vectors themselves. The algorithm is evaluated using the publicly available MovieLens dataset and demonstrate that it achieves similar performance to the FedAvg algorithm, reaching 96% of a single model's accuracy. The proposed algorithm is particularly well-suited for improving customer targeting and enhancing the overall customer experience. This paper presents a valuable contribution to the field of user attribute prediction by offering a novel algorithm that addresses some of the most pressing privacy concerns in this area.
• Abstract（参考訳）: ユーザ属性の予測は、さまざまな業界で重要なタスクです。 しかし、異なる組織間でのユーザーデータの共有は、プライバシーの懸念と個人特定可能な情報に関する法的要件のために、課題に直面している。 欧州連合の一般データ保護規則(GDPR)や中華人民共和国の個人情報保護法(Personal Information Protection Law of the People's Republic)は、データ共有の規制を課している。 法的要件に従って複数のクライアントの機能を活用する必要性に対処するため,フェデレーション学習アルゴリズムが提案されている。 これらのアルゴリズムは、データを直接共有することなく、ユーザー属性を予測することを目的としている。 しかし、既存のアプローチは通常、企業間のユーザーマッチングに依存しているため、不正なパートナーがユーザーリストを発見したり、利用可能なすべての機能を利用できなかったりする可能性がある。 本稿では,ユーザマッチングを必要とせず,ユーザ属性を予測する新しいアルゴリズムを提案する。 我々のアプローチでは、異なるクライアントでディープマトリックス分解モデルをトレーニングし、アイテムベクトルのみを共有する。 これにより、ユーザベクトル自体を共有することなく、ユーザ属性を予測できます。 このアルゴリズムは一般に公開されているMovieLensデータセットを用いて評価され、FedAvgアルゴリズムと同じような性能を示し、単一のモデルの精度の96%に達する。 提案アルゴリズムは顧客ターゲティングの改善と顧客エクスペリエンス全体の向上に特に適している。 本稿では,この領域のプライバシー問題に対処する新しいアルゴリズムを提供することで,ユーザ属性予測の分野への貴重な貢献について述べる。

関連論文リスト

• Simultaneous Unlearning of Multiple Protected User Attributes From Variational Autoencoder Recommenders Using Adversarial Training [8.272412404173954]
  本稿では,複数の保護属性を同時に学習して,人口統計学的グループ間の公平性を向上することを目的としたAdvXMultVAEを提案する。 LFM-2b-100k と Ml-1m の2つのデータセットに対する実験により,本手法は特異除去法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-10-28T12:36:00Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。 提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• Privacy-Optimized Randomized Response for Sharing Multi-Attribute Data [1.1510009152620668]
  マルチ属性データの共有において最強のプライバシを保証するために,プライバシ最適化ランダム化応答を提案する。 また、近似属性機構を構築するための効率的なアルゴリズムを提案する。 提案手法は,既存の手法に比べて,データセット全体のプライバシー保証を大幅に強化する。
  論文  参考訳（メタデータ） (2024-02-12T11:34:42Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• A Secure Federated Data-Driven Evolutionary Multi-objective Optimization Algorithm [18.825123863744906]
  データ駆動の進化的アルゴリズムの多くは中央集権的であり、プライバシーとセキュリティの懸念を引き起こす。 本稿では,セキュアなフェデレーションデータ駆動型進化的多目的最適化アルゴリズムを提案する。 実験結果から,提案アルゴリズムはプライバシーを保護し,無意識の犠牲だけでセキュリティを高めることができることがわかった。
  論文  参考訳（メタデータ） (2022-10-15T13:39:49Z)
• Unlearning Protected User Attributes in Recommendations with Adversarial Training [10.268369743620159]
  協調フィルタリングアルゴリズムは、特定の人口統計やユーザーの保護された情報を含む、基礎となる消費パターンをキャプチャする。 これらの符号化バイアスは、様々な階層のサブグループに提供されるコンテンツのさらなる分離に向けたレコメンデーションシステムの決定に影響を与える可能性がある。 本研究では,RSアルゴリズムの学習的相互作用表現から,ユーザの特定の保護された情報を除去する可能性と課題について検討する。
  論文  参考訳（メタデータ） (2022-06-09T13:36:28Z)
• Partial sensitivity analysis in differential privacy [58.730520380312676]
  それぞれの入力特徴が個人のプライバシ損失に与える影響について検討する。 プライベートデータベース上でのクエリに対する我々のアプローチを実験的に評価する。 また、合成データにおけるニューラルネットワークトレーニングの文脈における知見についても検討する。
  論文  参考訳（メタデータ） (2021-09-22T08:29:16Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)

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。