論文の概要: PRSI: Privacy-Preserving Recommendation Model Based on Vector Splitting and Interactive Protocols

• arxiv url: http://arxiv.org/abs/2411.18653v1
• Date: Wed, 27 Nov 2024 05:14:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:21:08.896980
• Title: PRSI: Privacy-Preserving Recommendation Model Based on Vector Splitting and Interactive Protocols
• Title（参考訳）: PRSI:ベクトル分割と対話プロトコルに基づくプライバシ保護勧告モデル
• Authors: Xiaokai Cao, Wenjin Mo, Zhenyu He, Changdong Wang,
• Abstract要約: 本稿では,新しいプライバシ保護レコメンデーションシステム(PRSI)を提案する。 1)インタラクション情報の収集,(2)レコメンデーション結果の送信である。
• 参考スコア（独自算出の注目度）: 13.36060473598037
• License:
• Abstract: With the development of the internet, recommending interesting products to users has become a highly valuable research topic for businesses. Recommendation systems play a crucial role in addressing this issue. To prevent the leakage of each user's (client's) private data, Federated Recommendation Systems (FedRec) have been proposed and widely used. However, extensive research has shown that FedRec suffers from security issues such as data privacy leakage, and it is challenging to train effective models with FedRec when each client only holds interaction information for a single user. To address these two problems, this paper proposes a new privacy-preserving recommendation system (PRSI), which includes a preprocessing module and two main phases. The preprocessing module employs split vectors and fake interaction items to protect clients' interaction information and recommendation results. The two main phases are: (1) the collection of interaction information and (2) the sending of recommendation results. In the interaction information collection phase, each client uses the preprocessing module and random communication methods (according to the designed interactive protocol) to protect their ID information and IP addresses. In the recommendation results sending phase, the central server uses the preprocessing module and triplets to distribute recommendation results to each client under secure conditions, following the designed interactive protocol. Finally, we conducted multiple sets of experiments to verify the security, accuracy, and communication cost of the proposed method.
• Abstract（参考訳）: インターネットの発展に伴い、興味深い製品をユーザに推薦することが、企業にとって非常に価値のある研究トピックとなっている。 勧告システムはこの問題に対処する上で重要な役割を果たす。 各ユーザのプライベートデータの漏洩を防止するため,FedRec(Federated Recommendation Systems)が提案され,広く利用されている。 しかし、FedRecはデータプライバシの漏洩などのセキュリティ上の問題に悩まされており、各クライアントが単一のユーザに対してのみインタラクション情報を保持する場合、FedRecで効果的なモデルをトレーニングすることは困難である。 これら2つの問題に対処するために,前処理モジュールと2つの主要なフェーズを含む新しいプライバシ保護レコメンデーションシステム(PRSI)を提案する。 プリプロセスモジュールは、クライアントのインタラクション情報とレコメンデーション結果を保護するために、分割ベクトルと偽のインタラクションアイテムを使用する。 1)インタラクション情報の収集,(2)レコメンデーション結果の送信である。 インタラクション情報収集フェーズでは、各クライアントは、前処理モジュールと(設計された対話プロトコルによる)ランダムな通信方法を使用して、ID情報とIPアドレスを保護する。 推奨結果送信フェーズでは、中央サーバは、前処理モジュールと三脚を使用して、設計された対話プロトコルに従って、各クライアントに推奨結果を配布する。 最後に,提案手法の安全性,精度,通信コストを検証するために,複数の実験を行った。

関連論文リスト

• InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• PDC-FRS: Privacy-preserving Data Contribution for Federated Recommender System [15.589541738576528]
  フェデレートされたレコメンデーションシステム(FedRecs)は、デバイス上のレコメンデーションにおいてユーザのプライバシを保護するために人気のある研究方向として登場した。 FedRecsでは、ユーザーはデータをローカルに保持し、モデルパラメータを中央サーバにアップロードすることで、ローカルのコラボレーティブな情報のみをコントリビュートする。 本稿では,新しいフェデレーション・レコメンデーション・フレームワークであるPDC-FRSを提案する。具体的には,ユーザが異なるプライバシ保証でデータを共有できるように,プライバシ保護データコントリビューション機構を設計する。
  論文  参考訳（メタデータ） (2024-09-12T06:13:07Z)
• ACCESS-FL: Agile Communication and Computation for Efficient Secure Aggregation in Stable Federated Learning Networks [26.002975401820887]
  Federated Learning(FL)は、プライバシ対応アプリケーション用に設計された分散学習フレームワークである。 従来のFLは、プレーンモデルのアップデートがサーバに送信されると、機密性の高いクライアントデータを露出するリスクにアプローチする。 GoogleのSecure Aggregation(SecAgg)プロトコルは、二重マスキング技術を使用することで、この脅威に対処する。 通信・計算効率の高いセキュアアグリゲーション手法であるACCESS-FLを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:03:38Z)
• Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation [18.0700584280752]
  クロスドメインレコメンデーション(CDR)は、ドメイン間で知識を伝達することで、データスパーシティの問題に対処することを目的としている。 この問題を解決するために、最近のプライバシー保護型CDRモデルが提案されている。 本稿では,新しいFPM(Federated User Preference Modeling)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-26T23:29:03Z)
• 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)
• PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System [42.79538136366075]
  本稿では,パラメータを含まないフェデレーション・シーケンシャル・レコメンデーション・フレームワーク(PTF-FSR)を提案する。 PTF-FSRは、サービスプロバイダやシステムユーザのプライバシニーズを満たすために、モデルとデータのプライバシ保護の両方を保証する。
  論文  参考訳（メタデータ） (2024-06-08T07:45:46Z)
• Prompt-based Personalized Federated Learning for Medical Visual Question Answering [56.002377299811656]
  本稿では,データの不均一性とプライバシの懸念に対処するための,新しいプロンプトベースのパーソナライズド・フェデレーション・ラーニング(pFL)手法を提案する。 我々は、異なる臓器からの医療データセットをクライアントとみなし、各クライアントに対してパーソナライズされたトランスフォーマーベースのVQAモデルをトレーニングするためにpFLを使用する。
  論文  参考訳（メタデータ） (2024-02-15T03:09:54Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)
• BARCOR: Towards A Unified Framework for Conversational Recommendation Systems [40.464281243375815]
  会話推薦のためのBARTに基づく統合フレームワークを提案する。 また,映画領域におけるCRSのための軽量知識グラフの設計と収集を行う。
  論文  参考訳（メタデータ） (2022-03-27T09:42:16Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。