論文の概要: Rate-Optimal Rank Aggregation with Private Pairwise Rankings
- arxiv url: http://arxiv.org/abs/2402.16792v2
- Date: Fri, 9 Aug 2024 03:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 20:30:23.685433
- Title: Rate-Optimal Rank Aggregation with Private Pairwise Rankings
- Title（参考訳）: 個人格付けによる最適格付け
- Authors: Shirong Xu, Will Wei Sun, Guang Cheng,
- Abstract要約: 我々は、ペアのランキングに基づいてランクアグリゲーションの実用性を確保しつつ、プライバシを保護するという課題に対処する。
そこで本研究では,ランダム化応答機構からランキングを適応的にデバイアスする手法を提案する。
- 参考スコア（独自算出の注目度）: 12.511220449652384
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In various real-world scenarios, such as 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 from being released 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 a general comparison model. Using the randomized response mechanism to perturb raw pairwise rankings is a common privacy protection strategy used in practice. However, a critical challenge arises because the privatized rankings no longer adhere to the original model, resulting in significant bias in downstream rank aggregation tasks. Motivated by this, we propose to adaptively debiasing the rankings from the randomized response mechanism, ensuring consistent estimation of true preferences and enhancing the utility of 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 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）: 推薦システムや政治調査のような現実世界の様々なシナリオでは、アイテムの総合的なランキングを得るために、ペアワイズランキングが一般的に収集され、ランキングアグリゲーションに利用される。
しかし、選好ランキングは個人の個人の嗜好を明らかにする可能性があり、下流の分析のために彼らを保護する必要性が強調される。
本稿では、一般的な比較モデルから得られるペアのランキングに基づいて、ランキングアグリゲーションの実用性を確保しつつ、プライバシ保護の課題に対処する。
ランダム化された応答機構を使用して、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保護戦略である。
しかし、民営化されたランキングがもはや元のモデルに従わないため、下流のランキング集計タスクにかなりのバイアスがかかるため、重要な課題が生じる。
そこで本研究では、ランダム化応答機構からランクを適応的にデバイアスし、真の選好を確実に推定し、下流のランクアグリゲーションの有用性を高めることを提案する。
理論的には、プライバシー保証とプライベートランキングデータからの推定誤差の関係を考察し、推定誤差の最小値の設定を行う。
これにより、ランクアグリゲーションにおける一貫性とプライバシ保護とのバランスを、最適なプライバシ保証を決定することができる。
また、プライバシ保護が上位のK$アイテムセットと完全なランキングセットの仕様にどのように影響するかを定量化しながら、部分的および完全なランキングリカバリのための予測ランキングエラーの収束率についても検討する。
本研究は,広範囲なシミュレーションと実応用により検証した。
関連論文リスト
- Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。
ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。
提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
論文 参考訳（メタデータ） (2024-07-02T03:31:21Z) - Privacy-Preserving Fair Item Ranking [13.947606247944597]
この研究は、プロデューサ(イテム)公正性とコンシューマ(ユーザ)プライバシ(ランク付け)の連携で研究を進める最初のものである。
われわれの研究は、アモートされた注意ランキングの仕組みをプライバシー保護に拡張し、その効果をプライバシー、公正性、ランキング品質で評価する。
論文 参考訳（メタデータ） (2023-03-06T06:21:20Z) - Ranking Differential Privacy [17.826241775212786]
既存の作業は、主に、$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。