論文の概要: RecPS: Privacy Risk Scoring for Recommender Systems

• arxiv url: http://arxiv.org/abs/2507.18365v2
• Date: Tue, 29 Jul 2025 12:22:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 12:52:36.829065
• Title: RecPS: Privacy Risk Scoring for Recommender Systems
• Title（参考訳）: RecPS:レコメンダシステムのためのプライバシリスクスコアリング
• Authors: Jiajie He, Yuechun Gu, Keke Chen,
• Abstract要約: インタラクションとユーザレベルでのプライバシリスクを測定するために,MIAベースのプライバシスコア手法であるRecPSを提案する。 重要なコンポーネントは相互作用レベルMIAメソッドRecLiRAであり、高品質なメンバシップ推定を提供する。
• 参考スコア（独自算出の注目度）: 4.772368796656325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems (RecSys) have become an essential component of many web applications. The core of the system is a recommendation model trained on highly sensitive user-item interaction data. While privacy-enhancing techniques are actively studied in the research community, the real-world model development still depends on minimal privacy protection, e.g., via controlled access. Users of such systems should have the right to choose \emph{not} to share highly sensitive interactions. However, there is no method allowing the user to know which interactions are more sensitive than others. Thus, quantifying the privacy risk of RecSys training data is a critical step to enabling privacy-aware RecSys model development and deployment. We propose a membership-inference attack (MIA)- based privacy scoring method, RecPS, to measure privacy risks at both the interaction and user levels. The RecPS interaction-level score definition is motivated and derived from differential privacy, which is then extended to the user-level scoring method. A critical component is the interaction-level MIA method RecLiRA, which gives high-quality membership estimation. We have conducted extensive experiments on well-known benchmark datasets and RecSys models to show the unique features and benefits of RecPS scoring in risk assessment and RecSys model unlearning.
• Abstract（参考訳）: Recommenderシステム(RecSys)は多くのWebアプリケーションにおいて重要なコンポーネントとなっている。 システムのコアは、高感度なユーザ-イテムインタラクションデータに基づいてトレーニングされたレコメンデーションモデルである。 プライバシ向上技術は研究コミュニティで積極的に研究されているが、現実のモデル開発は、制御されたアクセスを通じて、最小限のプライバシ保護に依存している。 このようなシステムの利用者は、高度に敏感な相互作用を共有するために 'emph{not}' を選択する権利を持つべきである。 しかし、どのインタラクションが他よりも敏感であるかをユーザが知ることができる方法はない。 したがって、RecSysトレーニングデータのプライバシーリスクを定量化することは、プライバシを意識したRecSysモデルの開発とデプロイを可能にする重要なステップである。 インタラクションとユーザレベルでのプライバシリスクを測定するために,MIAベースのプライバシスコア手法であるRecPSを提案する。 RecPSインタラクションレベルスコア定義は、ディファレンシャルプライバシから動機付けられ、ユーザレベルスコアメソッドに拡張される。 重要なコンポーネントは相互作用レベルMIAメソッドRecLiRAであり、高品質なメンバシップ推定を提供する。 我々は、リスク評価におけるRecPSスコアとRecSysモデルアンラーニングにおけるRecSysのユニークな特徴と利点を示すために、よく知られたベンチマークデータセットとRecSysモデルの広範な実験を行った。

関連論文リスト

• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• 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)
• FedRKG: A Privacy-preserving Federated Recommendation Framework via Knowledge Graph Enhancement [20.214339212091012]
  フェデレートラーニング(FL)は、リコメンデーションシステムでデータプライバシをローカルにトレーニングする上で有望なアプローチとして登場した。 最近のグラフニューラルネットワーク(GNN)は、ユーザとアイテム間の高次インタラクションをキャプチャできるため、リコメンデーションタスクで人気を集めている。 本稿では,グローバル知識グラフ(KG)を構築・維持する新しいフェデレーションレコメンデーションシステムであるFedRKGを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:38:21Z)
• 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)
• Inferring Communities of Interest in Collaborative Learning-based Recommender Systems [1.9093042949944972]
  協調学習ベースのレコメンデーションシステムは、ユーザーが好みのアイテムの履歴をデバイスに保持しながらモデルをトレーニングすることを可能にする。 最近の研究では、協調学習は様々なプライバシー攻撃に弱いことが示されている。 本稿では,コミュニティ・推論・アタック(CIA)と呼ばれる新たな攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T08:02:07Z)
• Multi-View Interactive Collaborative Filtering [0.0]
  本稿では、評価情報と文脈情報の両方を組み込んだ、新しいオンライン潜在因子推薦アルゴリズムを提案する。 MV-ICTRは、コールドスタートユーザやアイテムの比率が高いデータセットの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-05-14T20:31:37Z)
• Systematic Evaluation of Privacy Risks of Machine Learning Models [41.017707772150835]
  メンバーシップ推論攻撃に対する事前の取り組みは、プライバシーリスクを著しく過小評価する可能性があることを示す。 まず、既存の非ニューラルネットワークベースの推論攻撃を改善することで、メンバーシップ推論のプライバシリスクをベンチマークする。 次に、プライバシリスクスコアと呼ばれる新しい指標を定式化し、導出することで、詳細なプライバシ分析のための新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2020-03-24T00:53:53Z)
• Federating Recommendations Using Differentially Private Prototypes [16.29544153550663]
  生データを収集せずにグローバルおよびローカルなプライベートモデルを学習するための新しいフェデレーションアプローチを提案する。 通信を2ラウンドだけ必要とすることで、通信コストを削減し、過剰なプライバシー損失を回避することができます。 本稿では,グローバルモデルの局所的適応により,集中行列分解に基づくレコメンデータシステムモデルよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-01T22:21:31Z)

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。