論文の概要: PADER: Paillier-based Secure Decentralized Social Recommendation

• arxiv url: http://arxiv.org/abs/2601.10212v1
• Date: Thu, 15 Jan 2026 09:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.078095
• Title: PADER: Paillier-based Secure Decentralized Social Recommendation
• Title（参考訳）: PADER: ペイリエに基づくセキュアな分散社会レコメンデーション
• Authors: Chaochao Chen, Jiaming Qian, Fei Zheng, Yachuan Liu,
• Abstract要約: ペイリエを基盤としたセキュアな分散型社会レコメンデーションシステムであるPADERを提案する。 推薦モデルのトレーニングと推測を分散的に確実に行う。 実験結果から,本手法は,数百のレーティングを持つ1ユーザの反復処理に1秒程度しかかからないことがわかった。
• 参考スコア（独自算出の注目度）: 11.613857573146658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prevalence of recommendation systems also brings privacy concerns to both the users and the sellers, as centralized platforms collect as much data as possible from them. To keep the data private, we propose PADER: a Paillier-based secure decentralized social recommendation system. In this system, the users and the sellers are nodes in a decentralized network. The training and inference of the recommendation model are carried out securely in a decentralized manner, without the involvement of a centralized platform. To this end, we apply the Paillier cryptosystem to the SoReg (Social Regularization) model, which exploits both user's ratings and social relations. We view the SoReg model as a two-party secure polynomial evaluation problem and observe that the simple bipartite computation may result in poor efficiency. To improve efficiency, we design secure addition and multiplication protocols to support secure computation on any arithmetic circuit, along with an optimal data packing scheme that is suitable for the polynomial computations of real values. Experiment results show that our method only takes about one second to iterate through one user with hundreds of ratings, and training with ~500K ratings for one epoch only takes <3 hours, which shows that the method is practical in real applications. The code is available at https://github.com/GarminQ/PADER.
• Abstract（参考訳）: また、レコメンデーションシステムの普及は、ユーザーと販売者の両方にプライバシー上の懸念をもたらし、中央集権的なプラットフォームが可能な限り多くのデータを収集する。 データを非公開にするために,ペイリエを基盤としたセキュアな分散型社会レコメンデーションシステムであるPADERを提案する。 このシステムでは、ユーザと販売者は分散ネットワーク内のノードである。 推薦モデルのトレーニングと推論は、集中型プラットフォームを介さずに、分散的に確実に行われる。 この目的のために、ユーザのレーティングと社会的関係の両方を活用するSoReg(Social Regularization)モデルにPaillier暗号システムを適用する。 我々は、SoRegモデルを二項セキュア多項式評価問題とみなし、単純な二部演算が効率の悪さをもたらすことを観察する。 効率を向上させるため,任意の演算回路上でセキュアな計算をサポートするセキュアな加算および乗算プロトコルを設計し,実値の多項式計算に適した最適データパッキングスキームを設計する。 実験結果から,本手法は,数百のレーティングを持つユーザに対して1秒程度で反復し,500K程度の評価を1回のエポックで行う訓練には3時間程度しかかからないことがわかった。 コードはhttps://github.com/GarminQ/PADER.comで公開されている。

関連論文リスト

• D2M: A Decentralized, Privacy-Preserving, Incentive-Compatible Data Marketplace for Collaborative Learning [0.0]
  Protは、フェデレーション付き学習、ブロックチェーンの仲裁、経済インセンティブを、プライバシ保護データ共有のための単一のフレームワークに統合する分散データマーケットプレースです。 protはMNISTで最大99%の精度、Fashion-MNISTで90%の精度を達成し、30%のビザンチンノードで3%未満の劣化、CIFAR-10で56%の精度を達成している。
  論文  参考訳（メタデータ） (2025-12-11T07:38:05Z)
• Information-Theoretic Decentralized Secure Aggregation with Collusion Resilience [95.33295072401832]
  情報理論の観点から分散型セキュアアグリゲーション(DSA)の問題点を考察する。 DSAの最小到達可能な通信量と秘密鍵率を指定する最適レート領域を特徴付ける。 本研究は,DSAの基本性能限界を確立し,信頼性の高い通信効率の高いプロトコルの設計に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-08-01T12:51:37Z)
• Differentially private and decentralized randomized power method [15.955127242261808]
  本稿では,ランダム化電力法におけるプライバシー保護の強化について述べる。 まず、微分プライバシーを実現するために、現在の技術で必要とされるノイズの量を削減できる変種を提案する。 次に、データを複数のユーザ間で分散する分散フレームワークに適用する。
  論文  参考訳（メタデータ） (2024-11-04T09:53:03Z)
• 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)
• zkDFL: An efficient and privacy-preserving decentralized federated learning with zero-knowledge proof [3.517233208696287]
  フェデレートラーニング(FL)は、様々な分野の研究やビジネスで広く採用されている。 従来の中央集権的なFLシステムは深刻な問題に悩まされている。 ゼロ知識証明(ZKP)に基づくアグリゲータ(zkDFL)を提案する。
  論文  参考訳（メタデータ） (2023-12-01T17:00:30Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• PEPPER: Empowering User-Centric Recommender Systems over Gossip Learning [0.0]
  PEPPERは、ゴシップ学習原則に基づく分散型レコメンデーションシステムである。 私たちのソリューションは、他の分散ソリューションよりも最大42%高速に収束します。
  論文  参考訳（メタデータ） (2022-08-09T14:51:27Z)
• Byzantine-resilient Decentralized Stochastic Gradient Descent [85.15773446094576]
  分散学習システムのビザンチンレジリエンスに関する詳細な研究について述べる。 ビザンチンフォールトトレランスを用いた分散学習を支援する新しいアルゴリズムUBARを提案する。
  論文  参考訳（メタデータ） (2020-02-20T05:11:04Z)

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。