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
- 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) - Differentially Private Heavy Hitter Detection using Federated Analytics [33.69819799254375]
本研究では,プレフィックスツリーに基づくアルゴリズムの性能向上のための実用性について検討する。
我々のモデルは、各ユーザが複数のデータポイントを持っていると仮定し、その目標は、すべてのユーザのデータを集約的および局所的な差分プライバシーで可能な限り多くの最も頻繁なデータポイントを学習することである。
論文 参考訳(メタデータ) (2023-07-21T17:59:15Z) - Better Private Linear Regression Through Better Private Feature
Selection [18.884088349732973]
我々は、Kendallランク相関に基づく微分プライベートな特徴選択手法を提案する。
機能は通常分散されている設定で有効性を保証する。
回帰の前にこのプライベートな特徴選択ステップを追加することで、プラグアンドプレイのプライベートな線形回帰アルゴリズムの適用性が大幅に拡大することがわかった。
論文 参考訳(メタデータ) (2023-06-01T17:21:10Z) - Privacy-Preserving Matrix Factorization for Recommendation Systems using
Gaussian Mechanism [2.84279467589473]
本稿では,差分プライバシーフレームワークと行列因数分解に基づくプライバシ保護レコメンデーションシステムを提案する。
差分プライバシーは、プライバシを保存する機械学習アルゴリズムを設計するための強力で堅牢な数学的フレームワークであるため、敵が機密性の高いユーザー情報を抽出するのを防ぐことができる。
論文 参考訳(メタデータ) (2023-04-11T13:50:39Z) - 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) - Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。
本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文 参考訳(メタデータ) (2022-09-08T22:43:50Z) - 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) - 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) - The Stereotyping Problem in Collaboratively Filtered Recommender Systems [77.56225819389773]
行列分解に基づく協調フィルタリングアルゴリズムは,ある種のステレオタイピングを誘導することを示す。
一般のユーザ層では、テキストセットの好みが反相関性がある場合、これらの項目は、ユーザーには推奨されない。
本稿では,各ユーザの多様な利害関係を捉えるために,代替的なモデリング修正を提案する。
論文 参考訳(メタデータ) (2021-06-23T18:37:47Z) - 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。