論文の概要: Rate-Optimal Rank Aggregation with Private Pairwise Rankings
- arxiv url: http://arxiv.org/abs/2402.16792v1
- Date: Mon, 26 Feb 2024 18:05:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 19:40:02.365269
- Title: Rate-Optimal Rank Aggregation with Private Pairwise Rankings
- Title（参考訳）: プライベートペアワイズランキングを用いたレート最適ランクアグリゲーション
- Authors: Shirong Xu, Will Wei Sun, Guang Cheng
- Abstract要約: 生のペアワイズランキングを保護するために,デバイアス付きランダム化応答機構を提案する。
プライバシ保証全体とプライベートランキングデータからの推定エラーの関係に関する洞察を提供する。
- 参考スコア（独自算出の注目度）: 14.061357975073319
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In various real-world scenarios like recommender systems and political
surveys, pairwise rankings are commonly collected and utilized for rank
aggregation to obtain an overall ranking of items. However, preference rankings
can reveal individuals' personal preferences, underscoring the need to protect
them before releasing for downstream analysis. In this paper, we address the
challenge of preserving privacy while ensuring the utility of rank aggregation
based on pairwise rankings generated from the Bradley-Terry-Luce (BTL) model.
Using the randomized response mechanism to perturb raw pairwise rankings is a
common privacy protection strategy used in practice, but a critical challenge
arises because the privatized rankings no longer adhere to the BTL model,
resulting in significant bias in downstream rank aggregation tasks. Motivated
from this, we propose a debiased randomized response mechanism to protect the
raw pairwise rankings, ensuring consistent estimation of true preferences and
rankings in downstream rank aggregation. Theoretically, we offer insights into
the relationship between overall privacy guarantees and estimation errors from
private ranking data, and establish minimax rates for estimation errors. This
enables the determination of optimal privacy guarantees that balance
consistency in rank aggregation with robust privacy protection. We also
investigate convergence rates of expected ranking errors for partial and full
ranking recovery, quantifying how privacy protection influences the
specification of top-$K$ item sets and complete rankings. Our findings are
validated through extensive simulations and a real application.
- Abstract（参考訳）: レコメンダシステムや政治調査のような様々な現実世界のシナリオでは、ペアワイズランキングが一般的に収集され、ランクアグリゲーションに利用され、アイテムの全体的なランキングを得る。
しかし、選好ランキングは個人の個人の好みを明らかにし、下流の分析のためにリリースする前に保護する必要性を強調している。
本稿では,bradley-terry-luce(btl)モデルから生成した対数ランキングに基づくランクアグリゲーションの有用性を確保しつつ,プライバシの保護という課題に対処する。
ランダム化応答機構を用いて、生のペアワイズランキングを摂動させることは、実際には一般的なプライバシー保護戦略であるが、民営化ランキングがもはやBTLモデルに従わないため、ダウンストリームのランク集計タスクに重大なバイアスをもたらすため、重要な課題が発生する。
そこで本研究では,低位ランキングにおける真の選好とランキングの一貫した推定を実現するために,素のペアワイズランキングを保護するために,偏りのないランダム化応答機構を提案する。
理論的には,プライバシ全般の保証とプライベートランキングデータからの推測誤差の関係を考察し,推定誤差の最小化率を確立する。
これにより、ランクアグリゲーションにおける一貫性と堅牢なプライバシ保護とのバランスが、最適なプライバシ保証を決定することができる。
また,部分的および全体的ランキング回復のための期待ランキング誤差の収束率を調査し,プライバシ保護が上位$k$項目セットと完全ランキングの仕様に与える影響を定量化する。
我々の発見は広範なシミュレーションと実際の応用によって検証される。
関連論文リスト
- Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。
ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。
提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
論文 参考訳（メタデータ） (2024-07-02T03:31:21Z) - Privacy-Preserving Fair Item Ranking [13.947606247944597]
この研究は、プロデューサ(イテム)公正性とコンシューマ(ユーザ)プライバシ(ランク付け)の連携で研究を進める最初のものである。
われわれの研究は、アモートされた注意ランキングの仕組みをプライバシー保護に拡張し、その効果をプライバシー、公正性、ランキング品質で評価する。
論文 参考訳（メタデータ） (2023-03-06T06:21:20Z) - Ranking Differential Privacy [17.826241775212786]
既存の作業は、主に、$epsilon$-differential privacyの下で、ランキングのセットまたはペア単位でのランキングの比較において、単一のランキング上のプライバシ保護を開発する。
本稿では,位階を保護するために,$epsilon$-level差分プライバシーという新しい概念を提案する。
開発した$epsilon$-level差分プライバシーを満足しながら、合成ランキングを生成する多段階ランキングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-01-02T19:12:42Z) - A Tale of HodgeRank and Spectral Method: Target Attack Against Rank
Aggregation Is the Fixed Point of Adversarial Game [153.74942025516853]
ランクアグリゲーション手法の本質的な脆弱性は文献ではよく研究されていない。
本稿では,ペアデータの変更による集計結果の指定を希望する目的のある敵に焦点をあてる。
提案した標的攻撃戦略の有効性は,一連の玩具シミュレーションと実世界のデータ実験によって実証された。
論文 参考訳（メタデータ） (2022-09-13T05:59:02Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Fully Adaptive Composition in Differential Privacy [53.01656650117495]
よく知られた高度な合成定理は、基本的なプライバシー構成が許すよりも、プライベートデータベースを2倍にクエリすることができる。
アルゴリズムとプライバシパラメータの両方を適応的に選択できる完全適応型合成を導入する。
適応的に選択されたプライバシパラメータが許されているにもかかわらず、定数を含む高度なコンポジションのレートに適合するフィルタを構築します。
論文 参考訳（メタデータ） (2022-03-10T17:03:12Z) - Doubly Robust Off-Policy Evaluation for Ranking Policies under the
Cascade Behavior Model [11.101369123145588]
ランキングポリシのオフライン評価は、ログデータのみを使用して、新たなランキングポリシのパフォーマンス推定を可能にする。
従来の研究では、アイテム空間をトラクタブルにするために、ユーザ行動に関するいくつかの仮定が紹介されていた。
本稿では,ランキングの上位位置から次々にアイテムと対話するカスケード2倍ロバスト推定器を提案する。
論文 参考訳（メタデータ） (2022-02-03T12:42:33Z) - Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。
本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。
パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
論文 参考訳（メタデータ） (2021-11-25T06:04:59Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z) - Fast and Robust Rank Aggregation against Model Misspecification [105.54181634234266]
ランクアグリゲーション(RA)では、異なるユーザからの好みのコレクションを、ユーザの同質性の仮定の下で総順にまとめる。
RAにおけるモデルの不特定は、複素実世界の状況において同質性の仮定が満たされないために生じる。
本稿では,モデル誤特定に対する堅牢性を有するCoarsenRankを提案する。
論文 参考訳（メタデータ） (2019-05-29T11:35:28Z)
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。