論文の概要: Hiding Your Awful Online Choices Made More Efficient and Secure: A New Privacy-Aware Recommender System

• arxiv url: http://arxiv.org/abs/2405.20483v1
• Date: Thu, 30 May 2024 21:08:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-03 18:05:15.030962
• Title: Hiding Your Awful Online Choices Made More Efficient and Secure: A New Privacy-Aware Recommender System
• Title（参考訳）: プライバシーを意識した新しいレコメンデーションシステム「Hiding Your Awful Online Choices」
• Authors: Shibam Mukherjee, Roman Walch, Fredrik Meisingseth, Elisabeth Lex, Christian Rechberger,
• Abstract要約: 本稿では,プライバシを意識した機械学習アルゴリズムを実用的スケーラビリティと効率のために組み合わせた,プライバシを意識した新たなレコメンデーションシステムを提案する。 メモリ制約の低消費電力SOC(System on Chip)デバイスであっても,1億エントリを含むデータセットのプライベートレコメンデーションを初めて計算可能にする。
• 参考スコア（独自算出の注目度）: 5.397825778465797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems are an integral part of online platforms that recommend new content to users with similar interests. However, they demand a considerable amount of user activity data where, if the data is not adequately protected, constitute a critical threat to the user privacy. Privacy-aware recommender systems enable protection of such sensitive user data while still maintaining a similar recommendation accuracy compared to the traditional non-private recommender systems. However, at present, the current privacy-aware recommender systems suffer from a significant trade-off between privacy and computational efficiency. For instance, it is well known that architectures that rely purely on cryptographic primitives offer the most robust privacy guarantees, however, they suffer from substantial computational and network overhead. Thus, it is crucial to improve this trade-off for better performance. This paper presents a novel privacy-aware recommender system that combines privacy-aware machine learning algorithms for practical scalability and efficiency with cryptographic primitives like Homomorphic Encryption and Multi-Party Computation - without assumptions like trusted-party or secure hardware - for solid privacy guarantees. Experiments on standard benchmark datasets show that our approach results in time and memory gains by three orders of magnitude compared to using cryptographic primitives in a standalone for constructing a privacy-aware recommender system. Furthermore, for the first time our method makes it feasible to compute private recommendations for datasets containing 100 million entries, even on memory-constrained low-power SOC (System on Chip) devices.
• Abstract（参考訳）: リコメンダシステムは、同様の関心を持つユーザーに新しいコンテンツを推奨するオンラインプラットフォームにおいて不可欠な部分である。 しかし、データが適切に保護されていない場合、ユーザプライバシにとって重要な脅威となるような、かなりの量のユーザアクティビティデータを要求する。 プライバシを意識したレコメンデータシステムは、従来の非プライベートレコメンデータシステムと同じようなレコメンデーション精度を維持しながら、そのような機密性の高いユーザデータの保護を可能にする。 しかし、現在のプライバシーを意識したレコメンデーターシステムは、プライバシーと計算効率の間の大きなトレードオフに悩まされている。 例えば、純粋に暗号プリミティブに依存しているアーキテクチャは、最も堅牢なプライバシー保証を提供することはよく知られているが、それらは計算とネットワークのオーバーヘッドに悩まされている。 したがって、よりよいパフォーマンスのためにこのトレードオフを改善することが重要です。 本稿では,プライバシを意識した機械学習アルゴリズムを実用的スケーラビリティと効率性のために,信頼されたパーティやセキュアなハードウェアといった仮定を使わずに,ホモモルフィック暗号化やマルチパーティ計算といった暗号プリミティブと組み合わせた,新たなプライバシ対応レコメンデーションシステムを提案する。 標準ベンチマークデータセットの実験では,プライバシを意識したレコメンデータシステムを構築するためにスタンドアロンで暗号プリミティブを使用する場合と比較して,我々のアプローチが3桁の時間とメモリゲインをもたらすことが示された。 さらに,メモリ制約の低消費電力SOC(System on Chip)デバイス上でも,1億エントリを含むデータセットのプライベートレコメンデーションを初めて計算可能にする。

関連論文リスト

• Masked Differential Privacy [64.32494202656801]
  本稿では,差分プライバシーを適用した機密領域を制御できる「マスク型差分プライバシー(DP)」という効果的なアプローチを提案する。 提案手法はデータに基づいて選択的に動作し,DPアプリケーションや差分プライバシーをデータサンプル内の他のプライバシー技術と組み合わせることなく,非感性時間領域を定義できる。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• User Consented Federated Recommender System Against Personalized Attribute Inference Attack [55.24441467292359]
  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。
  論文  参考訳（メタデータ） (2023-12-23T09:44:57Z)
• Towards Differential Privacy in Sequential Recommendation: A Noisy Graph Neural Network Approach [2.4743508801114444]
  ディファレンシャルプライバシは、レコメンダシステムにおけるプライバシを保護するために広く採用されている。 既存の微分プライベートなレコメンデータシステムは、静的および独立な相互作用のみを考慮する。 ノイズの多いグラフニューラルネットアプローチを用いて、識別的プライベートシーケンスレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-17T03:12:33Z)
• A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
  推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。 EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。 我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
  論文  参考訳（メタデータ） (2023-04-17T00:38:01Z)
• 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)
• Decentralized Matrix Factorization with Heterogeneous Differential Privacy [2.4743508801114444]
  信頼できないリコメンデータに対して, 異種差分行列分解アルゴリズム(HDPMF)を提案する。 我々のフレームワークは、プライバシと精度のトレードオフを改善するために、革新的な再スケーリングスキームを備えた拡張ストレッチ機構を使用している。
  論文  参考訳（メタデータ） (2022-12-01T06:48:18Z)
• 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)
• Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
  分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。 データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
  論文  参考訳（メタデータ） (2022-05-08T14:38:23Z)
• Stronger Privacy for Federated Collaborative Filtering with Implicit Feedback [13.37601438005323]
  ユーザレベルの局所差分プライバシー (LDP) 下での暗黙のデータに対する実用的なフェデレーションレコメンダーシステムを提案する。 プライバシとユーティリティのトレードオフはパラメータ$epsilon$と$k$で制御され、更新毎のプライバシー予算と、各ユーザが送信する$epsilon$-LDPグラデーションの更新数を規制する。 5k項目の50kユーザに対して,K=10(HR@10)0.68でHit Ratioを達成し,MovieLensデータセット上でフレームワークの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2021-05-09T13:41:45Z)
• Shared MF: A privacy-preserving recommendation system [0.0]
  本稿では,共有行列分解方式であるSharedMFを提案する。 まず、分散レコメンデーションシステムを構築し、その後、ローカルデータのプライバシを保護するためにシークレット共有技術を使用する。
  論文  参考訳（メタデータ） (2020-08-18T06:19:38Z)

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。