論文の概要: Efficient Privacy-Preserving Recommendation on Sparse Data using Fully Homomorphic Encryption
- arxiv url: http://arxiv.org/abs/2509.03024v1
- Date: Wed, 03 Sep 2025 05:15:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.421849
- Title: Efficient Privacy-Preserving Recommendation on Sparse Data using Fully Homomorphic Encryption
- Title（参考訳）: 完全同型暗号を用いたスパースデータの効率的なプライバシー保護勧告
- Authors: Moontaha Nishat Chowdhury, André Bauer, Minxuan Zhou,
- Abstract要約: ホモモルフィック暗号化(英語版) (FHE) はレコメンデーションシステムを確保することができる。
FHE演算は計算集約的であり、レコメンデーションシステムで様々なスパース行列を鼻で処理することは違法に高価である。
圧縮スパースロウ表現とFHEに基づく行列分解を組み合わせた新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 1.9441770222258299
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In today's data-driven world, recommendation systems personalize user experiences across industries but rely on sensitive data, raising privacy concerns. Fully homomorphic encryption (FHE) can secure these systems, but a significant challenge in applying FHE to recommendation systems is efficiently handling the inherently large and sparse user-item rating matrices. FHE operations are computationally intensive, and naively processing various sparse matrices in recommendation systems would be prohibitively expensive. Additionally, the communication overhead between parties remains a critical concern in encrypted domains. We propose a novel approach combining Compressed Sparse Row (CSR) representation with FHE-based matrix factorization that efficiently handles matrix sparsity in the encrypted domain while minimizing communication costs. Our experimental results demonstrate high recommendation accuracy with encrypted data while achieving the lowest communication costs, effectively preserving user privacy.
- Abstract（参考訳）: 今日のデータ駆動の世界では、レコメンデーションシステムは業界全体のユーザエクスペリエンスをパーソナライズするが、機密データに依存し、プライバシの懸念を高める。
完全同型暗号(FHE)は、これらのシステムを保護することができるが、FHEをレコメンデーションシステムに適用する上で重要な課題は、本質的に大きく、疎いユーザイテム評価行列を効率的に扱うことである。
FHE演算は計算集約的であり、レコメンデーションシステムで様々なスパース行列を鼻で処理することは違法に高価である。
さらに、暗号化されたドメインにおいて、当事者間の通信オーバーヘッドは依然として重要な懸念事項である。
本稿では,圧縮スパースロウ (CSR) 表現とFHEに基づく行列分解を併用した新しい手法を提案する。
実験の結果,暗号化されたデータに対して高いレコメンデーション精度を示し,通信コストを低くし,ユーザのプライバシを効果的に保護した。
関連論文リスト
- Improving Noise Efficiency in Privacy-preserving Dataset Distillation [59.57846442477106]
本稿では,最適化からサンプリングを分離してコンバージェンスを向上し,信号品質を向上させる新しいフレームワークを提案する。
CIFAR-10では,従来の最先端手法の蒸留セットサイズを5分の1に減らして,クラス毎50イメージでtextbf10.0%,クラス毎50イメージで textbf8.3%向上した。
論文 参考訳（メタデータ） (2025-08-03T13:15:52Z) - Preserving Privacy and Utility in LLM-Based Product Recommendations [4.28766264863679]
大言語モデル(LLM)ベースのレコメンデーションシステムは、強力な言語モデルを利用してパーソナライズされた提案を生成する。
これにより、ユーザデータがリモートサーバに送信されることにより、プライバシの懸念が高まり、露出のリスクが増大し、個人情報のコントロールが低下する。
非機密データから機密情報を分離し,後者をクラウドと共有するハイブリッドプライバシ保存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） (2025-05-02T01:54:08Z) - Accelerating Private Large Transformers Inference through Fine-grained Collaborative Computation [8.859237832459876]
FASTLMPIは、微粒な最適化により、プライベートなTBM推論を高速化する新しい手法である。
具体的には、ホモモルフィック暗号化と秘密共有の詳細な共設計により、FASTLMPIは行列乗算、SoftMax、LayerNorm、GeLULUの効率的なプロトコルを実現する。
FASTLMPIは、実行時の54%から64%の大幅な減少と、通信コストの72.2%の大幅な削減を示している。
論文 参考訳（メタデータ） (2024-12-21T08:33:12Z) - Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。
通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。
RFRecFの強靭性は、多様なベースラインに比べて優れている。
論文 参考訳（メタデータ） (2024-11-03T12:10:20Z) - Robust Utility-Preserving Text Anonymization Based on Large Language Models [80.5266278002083]
機密情報を含む匿名化は、幅広いアプリケーションにとって不可欠である。
既存の技術は、大規模言語モデルの再識別能力の新たな課題に直面している。
本稿では,プライバシ評価器,ユーティリティ評価器,最適化コンポーネントの3つの重要なコンポーネントで構成されるフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T14:28:56Z) - Hiding Your Awful Online Choices Made More Efficient and Secure: A New Privacy-Aware Recommender System [5.397825778465797]
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。
論文 参考訳（メタデータ） (2024-05-30T21:08:42Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳（メタデータ） (2023-02-19T16:58:53Z) - 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) - Linear Model with Local Differential Privacy [0.225596179391365]
プライバシ保護技術は、さまざまな機関間で分散データを解析するために広く研究されている。
セキュアなマルチパーティ計算は、プライバシ保護のために、高いプライバシレベルで、高コストで広く研究されている。
マトリクスマスキング技術は、悪意のある敵に対するセキュアなスキームを暗号化するために用いられる。
論文 参考訳（メタデータ） (2022-02-05T01:18:00Z) - 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。