Fugu-MT 論文翻訳(概要): User Consented Federated Recommender System Against Personalized Attribute Inference Attack

論文の概要: User Consented Federated Recommender System Against Personalized Attribute Inference Attack

arxiv url: http://arxiv.org/abs/2312.16203v1
Date: Sat, 23 Dec 2023 09:44:57 GMT
ステータス: 処理完了
システム内更新日: 2023-12-31 03:02:30.606900
Title: User Consented Federated Recommender System Against Personalized Attribute Inference Attack
Title（参考訳）: 個人化属性推論攻撃に対するユーザ同意型フェデレーションレコメンダシステム
Authors: Qi Hu, Yangqiu Song
Abstract要約: 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。
参考スコア（独自算出の注目度）: 55.24441467292359
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recommender systems can be privacy-sensitive. To protect users' private historical interactions, federated learning has been proposed in distributed learning for user representations. Using federated recommender (FedRec) systems, users can train a shared recommendation model on local devices and prevent raw data transmissions and collections. However, the recommendation model learned by a common FedRec may still be vulnerable to private information leakage risks, particularly attribute inference attacks, which means that the attacker can easily infer users' personal attributes from the learned model. Additionally, traditional FedRecs seldom consider the diverse privacy preference of users, leading to difficulties in balancing the recommendation utility and privacy preservation. Consequently, FedRecs may suffer from unnecessary recommendation performance loss due to over-protection and private information leakage simultaneously. In this work, we propose a novel user-consented federated recommendation system (UC-FedRec) to flexibly satisfy the different privacy needs of users by paying a minimum recommendation accuracy price. UC-FedRec allows users to self-define their privacy preferences to meet various demands and makes recommendations with user consent. Experiments conducted on different real-world datasets demonstrate that our framework is more efficient and flexible compared to baselines.
Abstract（参考訳）: レコメンダシステムはプライバシーに敏感である。ユーザの個人的歴史的インタラクションを保護するため,分散学習においてユーザ表現のためのフェデレーション学習が提案されている。 federated recommender (fedrec)システムを使用することで、ローカルデバイス上で共有レコメンデーションモデルをトレーニングし、生のデータ転送やコレクションを防ぐことができる。しかし、共通のFedRecが学習するレコメンデーションモデルは、プライベート情報漏洩のリスク、特に属性推論攻撃に対して脆弱である可能性があるため、攻撃者は学習モデルからユーザの個人属性を簡単に推測することができる。さらに、従来のFedRecsでは、ユーザのさまざまなプライバシ優先をほとんど考慮せず、レコメンデーションユーティリティとプライバシ保護のバランスをとるのが難しい。したがって、feedrecは過保護と個人情報の漏洩により不要なレコメンデーション性能の損失を被る可能性がある。本研究では,ユーザのプライバシニーズを柔軟に満たすために,最小限のレコメンデーション精度を払って,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。異なる実世界のデータセットで実施された実験は、我々のフレームワークがベースラインよりも効率的で柔軟なことを示している。

関連論文リスト

Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
論文参考訳（メタデータ） (2024-11-03T12:10:20Z)
Making Alice Appear Like Bob: A Probabilistic Preference Obfuscation Method For Implicit Feedback Recommendation Models [9.50290673161914]
本稿では,ユーザの嗜好データに対する確率的難読化手法であるSBOを紹介する。 SBOを3つの最先端レコメンデーションモデルと2つの一般的なデータセットに適用する。我々の実験により、SBOは、精度-プライバシトレードオフに関して、同等のアプローチより優れていることが判明した。
論文参考訳（メタデータ） (2024-06-17T13:05:36Z)
FedRec+: Enhancing Privacy and Addressing Heterogeneity in Federated Recommendation Systems [15.463595798992621]
FedRec+は、フェデレーションレコメンデーションシステムのためのアンサンブルフレームワークである。プライバシーを強化し、エッジユーザの通信コストを低減します。 FedRec+の最先端性能を示す実験結果が得られた。
論文参考訳（メタデータ） (2023-10-31T05:36:53Z)
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)
Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文参考訳（メタデータ） (2023-01-16T05:26:07Z)
FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
論文参考訳（メタデータ） (2022-10-25T01:08:20Z)
FedCL: Federated Contrastive Learning for Privacy-Preserving Recommendation [98.5705258907774]
FedCLは、プライバシーを十分に保護した効果的なモデルトレーニングのために、高品質な負のサンプルを利用することができる。まず、各クライアントのローカルモデルを介してローカルユーザデータからユーザ埋め込みを推測し、その後、ローカルディファレンシャルプライバシ(LDP)で摂動する。個々のユーザ埋め込みにはLDPによる重騒音が伴うため,ノイズの影響を軽減するため,サーバ上にユーザ埋め込みをクラスタ化することを提案する。
論文参考訳（メタデータ） (2022-04-21T02:37:10Z)
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)
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)
Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。