論文の概要: Privacy-Preserving Socialized Recommendation based on Multi-View Clustering in a Cloud Environment

• arxiv url: http://arxiv.org/abs/2505.15156v1
• Date: Wed, 21 May 2025 06:21:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.011146
• Title: Privacy-Preserving Socialized Recommendation based on Multi-View Clustering in a Cloud Environment
• Title（参考訳）: クラウド環境におけるマルチビュークラスタリングに基づくプライバシ保護型ソーシャルレコメンデーション
• Authors: Cheng Guo, Jing Jia, Peng Wang, Jing Zhang,
• Abstract要約: 本稿では、オンラインソーシャルネットワークから収集した情報を導入し、推薦の質を高めるためのプライバシー保護・ソーシャル化・レコメンデーションプロトコルを提案する。 提案手法は,ユーザ間の類似性を算出し,潜在的な関係や関心を判断し,ユーザのプライバシを信頼できない第三者にリークすることを防ぐ。
• 参考スコア（独自算出の注目度）: 9.110604133444626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation as a service has improved the quality of our lives and plays a significant role in variant aspects. However, the preference of users may reveal some sensitive information, so that the protection of privacy is required. In this paper, we propose a privacy-preserving, socialized, recommendation protocol that introduces information collected from online social networks to enhance the quality of the recommendation. The proposed scheme can calculate the similarity between users to determine their potential relationships and interests, and it also can protect the users' privacy from leaking to an untrusted third party. The security analysis and experimental results showed that our proposed scheme provides excellent performance and is feasible for real-world applications.
• Abstract（参考訳）: サービスとしての勧告は、私たちの生活の質を改善し、異質な側面において重要な役割を果たす。 しかし、ユーザの好みは機密性の高い情報を明らかにするため、プライバシ保護が必要である。 本稿では、オンラインソーシャルネットワークから収集した情報を導入し、推薦の質を高めるためのプライバシー保護・ソーシャル化・レコメンデーションプロトコルを提案する。 提案手法は,ユーザ間の類似性を算出し,潜在的な関係や関心を判断し,ユーザのプライバシを信頼できない第三者にリークすることを防ぐ。 セキュリティ解析と実験結果から,提案手法は優れた性能を示し,実世界のアプリケーションで実現可能であることが示された。

関連論文リスト

• Federated Conversational Recommender System [19.10820197898819]
  きめ細かいユーザーの好みは、漏れたり漏れたりした場合に、ユーザーの機密情報を推測するのに簡単に使える。 本稿では,ユーザプライバシを公開するリスクを効果的に低減する,新しい会話推薦フレームワークを提案する。 提案手法は,これらのユーザプライバシ保護ガイドラインを満たすだけでなく,競争力のあるレコメンデーション性能を達成できることを示す。
  論文  参考訳（メタデータ） (2025-03-02T19:39:29Z)
• Privacy-Preserving Dynamic Assortment Selection [4.399892832075127]
  本稿では,マルチノミアルロジット(MNL)バンドレートモデルを用いて,プライバシ保護のための動的アソシエーション選択のための新しいフレームワークを提案する。 弊社のアプローチでは、ノイズをユーザユーティリティ推定に統合し、探索とエクスプロイトのバランスを保ちつつ、堅牢なプライバシー保護を確保している。
  論文  参考訳（メタデータ） (2024-10-29T19:28:01Z)
• Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
  ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。 本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
  論文  参考訳（メタデータ） (2024-10-24T03:39:55Z)
• Secure Aggregation is Not Private Against Membership Inference Attacks [66.59892736942953]
  フェデレーション学習におけるSecAggのプライバシーへの影響について検討する。 SecAggは、単一のトレーニングラウンドであっても、メンバシップ推論攻撃に対して弱いプライバシを提供します。 以上の結果から,ノイズ注入などの付加的なプライバシー強化機構の必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2024-03-26T15:07:58Z)
• 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)
• 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)
• Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
  プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
  論文  参考訳（メタデータ） (2023-01-26T10:09:23Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Privacy Information Classification: A Hybrid Approach [9.642559585173517]
  本研究は,OSNからプライバシ情報を検出し,分類するためのハイブリッドプライバシ分類手法を提案する。 提案したハイブリッドアプローチは、プライバシー関連の情報抽出にディープラーニングモデルとオントロジーベースのモデルの両方を用いる。
  論文  参考訳（メタデータ） (2021-01-27T18:03:18Z)
• A Novel Privacy-Preserved Recommender System Framework based on Federated Learning [0.0]
  本稿では,プライバシ保護型リコメンデータシステムフレームワーク(PPRSF)を提案する。 PPRSFは、プライバシー漏洩のリスクを減らすだけでなく、法と規制の要件を満たすだけでなく、さまざまな推奨アルゴリズムの適用を可能にしている。
  論文  参考訳（メタデータ） (2020-11-11T08:07:58Z)

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。