論文の概要: Privacy-preserving recommender system using the data collaboration analysis for distributed datasets
- arxiv url: http://arxiv.org/abs/2406.01603v1
- Date: Fri, 24 May 2024 07:43:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-09 15:59:42.231096
- Title: Privacy-preserving recommender system using the data collaboration analysis for distributed datasets
- Title(参考訳): 分散データセットにおけるデータ協調分析を用いたプライバシ保護レコメンデータシステム
- Authors: Tomoya Yanagi, Shunnosuke Ikeda, Noriyoshi Sukegawa, Yuichi Takano,
- Abstract要約: 分散データセットのデータコラボレーション分析を用いて,プライバシ保護リコメンデータシステムのためのフレームワークを構築した。
2つのパブリックレーティングデータセットを用いた数値実験により、評価予測のためのプライバシ保護手法が分散データセットの予測精度を向上させることを示した。
- 参考スコア(独自算出の注目度): 2.9061423802698565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to provide high-quality recommendations for users, it is desirable to share and integrate multiple datasets held by different parties. However, when sharing such distributed datasets, we need to protect personal and confidential information contained in the datasets. To this end, we establish a framework for privacy-preserving recommender systems using the data collaboration analysis of distributed datasets. Numerical experiments with two public rating datasets demonstrate that our privacy-preserving method for rating prediction can improve the prediction accuracy for distributed datasets. This study opens up new possibilities for privacy-preserving techniques in recommender systems.
- Abstract(参考訳): ユーザに対して高品質なレコメンデーションを提供するためには、さまざまなパーティが保持する複数のデータセットの共有と統合が望ましい。
しかし、そのような分散データセットを共有する場合には、データセットに含まれる個人情報と機密情報を保護する必要があります。
そこで我々は,分散データセットのデータコラボレーション分析を用いて,プライバシ保護レコメンデータシステムを構築する。
2つのパブリックレーティングデータセットを用いた数値実験により、評価予測のためのプライバシ保護手法が分散データセットの予測精度を向上させることを示した。
本研究では,レコメンデーションシステムにおけるプライバシ保護手法の新たな可能性を明らかにする。
関連論文リスト
- Privacy-Preserving Optimal Parameter Selection for Collaborative Clustering [2.107610564835429]
私たちは、複数のデータオーナがデータを結合するコラボレーティブフレームワークにおける、重要なクラスタリングアルゴリズムに注目しています。
半信頼できるサーバは、最も適切なクラスタリングアルゴリズムとそのパラメータを推奨する。
調査の結果,プライバシパラメータ(epsilon$)がサーバのレコメンデーションに最小限に影響を及ぼすが,$epsilon$の増加はメンバシップ推論攻撃のリスクを増大させることがわかった。
論文 参考訳(メタデータ) (2024-06-08T18:21:12Z) - Optimizing Privacy and Utility Tradeoffs for Group Interests Through Harmonization [2.54365580380609]
我々は,信頼された第三者を通じて,2つのユーザグループ間の協調的なデータ共有機構を導入する。
このサードパーティは、当社の提案したデータ共有メカニズムを使って、両グループのデータを内部的に衛生化しています。
提案手法は,ユーティリティ機能の高精度な予測が可能でありながら,プライベート属性を正確に推測できないことを保証している。
論文 参考訳(メタデータ) (2024-04-07T18:55:33Z) - A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-09-27T14:38:16Z) - Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。
既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。
我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文 参考訳(メタデータ) (2022-11-07T10:02:55Z) - DP2-Pub: Differentially Private High-Dimensional Data Publication with
Invariant Post Randomization [58.155151571362914]
本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。
属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。
また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
論文 参考訳(メタデータ) (2022-08-24T17:52:43Z) - Mixed Differential Privacy in Computer Vision [133.68363478737058]
AdaMixは、プライベートとパブリックの両方の画像データを使用して、ディープニューラルネットワーク分類器をトレーニングするための適応型微分プライベートアルゴリズムである。
プライベートデータを無視する数ショットあるいはゼロショットの学習ベースラインは、大規模なプライベートデータセットの微調整よりも優れています。
論文 参考訳(メタデータ) (2022-03-22T06:15:43Z) - Personalization Improves Privacy-Accuracy Tradeoffs in Federated
Optimization [57.98426940386627]
局所的な学習とプライベートな集中学習の協調は、総合的に有用であり、精度とプライバシのトレードオフを改善していることを示す。
合成および実世界のデータセットに関する実験により理論的結果について述べる。
論文 参考訳(メタデータ) (2022-02-10T20:44:44Z) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳(メタデータ) (2021-02-11T18:59:11Z) - Accuracy and Privacy Evaluations of Collaborative Data Analysis [4.987315310656657]
非モデル共有型フェデレーション学習として,次元性低減データ表現の共有による協調的データ分析が提案されている。
本稿では,本フレームワークの精度とプライバシ評価について分析する。
論文 参考訳(メタデータ) (2021-01-27T00:38:47Z) - A Critical Overview of Privacy-Preserving Approaches for Collaborative
Forecasting [0.0]
異なるデータ所有者間の協力は、予測品質の改善につながる可能性がある。
ビジネス上の競争要因と個人データ保護の問題から、データ所有者はデータの共有を望まないかもしれない。
本稿では、現状を解析し、データプライバシを保証する既存の方法の欠点をいくつか明らかにする。
論文 参考訳(メタデータ) (2020-04-20T20:21:04Z) - Privacy-Preserving Public Release of Datasets for Support Vector Machine
Classification [14.095523601311374]
我々は,データ対象者のプライバシーを侵害することなく,ベクトルマシン分類をサポートするデータセットを公開することの問題点を考察する。
データセットは、プライバシ保護のための付加ノイズを使用して、体系的に難読化される。
元のデータセットから抽出された分類器と難読化された分類器が互いに近接していることを保証する条件を確立する。
論文 参考訳(メタデータ) (2019-12-29T03:32:38Z)
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。