論文の概要: Privacy Preserving Recommender Systems Balancing Personalization with Privacy

• arxiv url: http://arxiv.org/abs/2607.13328v1
• Date: Tue, 14 Jul 2026 23:21:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.603458
• Title: Privacy Preserving Recommender Systems Balancing Personalization with Privacy
• Title（参考訳）: プライバシとパーソナライゼーションのバランスをとるレコメンダシステムのためのプライバシ保護
• Abstract要約: この研究は、フェデレートラーニング、差分プライバシ、コホートレベルのモデリング、プライバシを意識したインテリジェントエージェントを組み合わせた、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示している。 顧客クリックストリームと購入行動をエミュレートする合成小売データセットの実験を行った。 提案手法は, 適度なプライバシー予算において, 競争力のある推薦品質を維持していることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized recommendation systems are central to modern e-commerce and retail platforms, but they typically rely on centralized storage of detailed user interaction data, creating significant privacy and regulatory challenges. With increasing requirements from regulations such as GDPR, CCPA, and CPRA, organizations must develop recommendation systems that preserve user privacy without substantially degrading recommendation quality. This work presents and evaluates a privacy-preserving recommendation framework that combines federated learning, differential privacy, cohort-level modeling, and privacy-aware intelligent agents. The framework keeps raw user data decentralized while introducing mathematically bounded noise to model updates. Experiments were conducted on synthetic retail datasets that emulate customer clickstream and purchase behavior. Recommendation quality was evaluated using Click-Through Rate (CTR), Precision@K, Recall@K, and Normalized Discounted Cumulative Gain (NDCG@K) across multiple differential privacy budgets. We evaluate matrix factorization, neural collaborative filtering, and GRU4Rec under varying privacy constraints and analyze the trade-off between privacy and utility. An interactive Streamlit dashboard was developed to visualize recommendation performance, ranking stability, privacy-utility trade-offs, and fairness metrics. Results show that the proposed framework maintains competitive recommendation quality at moderate privacy budgets (approximately $ε\approx 5$), demonstrating that strong privacy guarantees can be achieved with limited impact on recommendation effectiveness. This work provides a practical framework for deploying privacy-preserving recommendation systems that balance personalization, regulatory compliance, and business objectives, offering a scalable approach for next-generation AI-driven retail platforms.
• Abstract（参考訳）: パーソナライズされたレコメンデーションシステムは、現代のeコマースや小売プラットフォームの中心であるが、通常は詳細なユーザーインタラクションデータの集中ストレージに依存しており、プライバシーと規制上の大きな課題を生み出している。 GDPR、CCPA、CPRAなどの規制からの要求が増加するにつれ、企業は推奨品質を著しく低下させることなく、ユーザのプライバシを保護するレコメンデーションシステムを開発する必要がある。 この研究は、フェデレーション学習、差分プライバシー、コホートレベルのモデリング、プライバシ対応インテリジェントエージェントを組み合わせた、プライバシ保護推奨フレームワークを提示し、評価する。 このフレームワークは、数学的にバウンドされたノイズをモデル更新に導入しながら、生のデータを分散する。 顧客クリックストリームと購入行動をエミュレートする合成小売データセットの実験を行った。 CTR(Click-Through Rate)、Precision@K(Precision@K)、Recall@K(Recalized Discounted Cumulative Gain)、Nocalized Discounted Cumulative Gain(NDCG@K)を用いて、複数の差分プライバシー予算で推奨品質を評価した。 プライバシ制約の異なる行列分解,ニューラルコラボレーティブフィルタリング,GRU4Recを評価し,プライバシとユーティリティのトレードオフを分析する。 インタラクティブなStreamlitダッシュボードは、レコメンデーションパフォーマンス、ランキング安定性、プライバシユーティリティトレードオフ、公正度メトリクスを視覚化するために開発された。 提案したフレームワークは、適度なプライバシー予算(約$ε\approx 5$)で競合レコメンデーション品質を維持しており、強いプライバシ保証がレコメンデーションの有効性に限定して達成可能であることを示す。 この作業は、パーソナライズ、規制コンプライアンス、ビジネス目的のバランスをとる、プライバシ保護レコメンデーションシステムをデプロイするための実践的なフレームワークを提供し、次世代AI駆動小売プラットフォームにスケーラブルなアプローチを提供する。

関連論文リスト

• TADP-RME: A Trust-Adaptive Differential Privacy Framework for Enhancing Reliability of Data-Driven Systems [0.5926203312586108]
  本稿では,TADP-RME(Trust-Adaptive Differential Privacy with Reverse Manifold Embedding)を提案する。 プライバシーとユーティリティのトレードオフを改善し、攻撃の成功率を3.1%まで下げる。
  論文  参考訳（メタデータ） (2026-04-09T11:32:57Z)
• A Privacy-Preserving Framework for Advertising Personalization Incorporating Federated Learning and Differential Privacy [10.908551029176822]
  このフレームワークは、分散特徴抽出、動的プライバシ予算割り当て、堅牢なモデル集約を組み合わせて、モデルの正確性、通信オーバーヘッド、プライバシ保護のバランスをとる。 提案フレームワークは,プライバシーを確保しつつ,推薦精度とシステム効率の両立を図っている。
  論文  参考訳（メタデータ） (2025-07-16T10:07:19Z)
• Personalized Language Models via Privacy-Preserving Evolutionary Model Merging [53.97323896430374]
  言語モデルにおけるパーソナライゼーションは、個々のユーザやユーザグループに対する振る舞いをモデル化することを目的としている。 進化的アルゴリズム(PriME)によるプライバシ保護モデルマージを提案する。 PriMEは、プライバシーリスクを低減しつつ、ユーティリティを直接最適化するために、勾配のない方法を採用している。 LaMPベンチマークの実験によると、Primeは一貫してベースラインを上回り、タスクパフォーマンスを最大45%改善している。
  論文  参考訳（メタデータ） (2025-03-23T09:46:07Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• 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)
• 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)
• Decentralized Matrix Factorization with Heterogeneous Differential Privacy [2.4743508801114444]
  信頼できないリコメンデータに対して, 異種差分行列分解アルゴリズム(HDPMF)を提案する。 我々のフレームワークは、プライバシと精度のトレードオフを改善するために、革新的な再スケーリングスキームを備えた拡張ストレッチ機構を使用している。
  論文  参考訳（メタデータ） (2022-12-01T06:48:18Z)
• 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)

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。