快速差分隐私矩阵分解
提出一个基于差分隐私和矩阵分解的隐私保护推荐系统,通过高斯机制和输出扰动的方式实现差分隐私,采用 Rényi Differential Privacy 来紧密刻画隐私损失,能够在保证用户隐私的前提下有效地完成推荐任务。
Apr, 2023
该研究提供了第一个具有正式效用保证的证明联合差分隐私算法,用于处理用户级别的隐私保护协同过滤问题。基于 Frank-Wolfe 方法,该算法可以一致地估计潜在的偏好矩阵,只要用户数量 $m$ 大于 $\omega {(n^{5/4})}$,其中 $n$ 是物品数量,每个用户提供至少 $\sqrt {n}$ 个随机选择的偏好物品。在此过程中,我们提供了一种基于著名的 Oja 方法的奇异向量计算的最优差分隐私算法,它在操作稀疏矩阵时具有显着的节省空间和时间的优势。我们还通过一系列数据集对算法进行了实证评估,并展示了它始终优于最先进的隐私算法。
Dec, 2017
本文提出了一种基于复合泊松矩阵分解的共轭数值稳定动态矩阵分解(DCPF)方法,用于建模平滑漂移的潜在因素和预测未来的用户 - 项交互,通过 Netflix、Yelp 和 Last.fm 等数据集的测试,DCPF 模型的预测准确性优于目前流行的静态和动态因子分解模型。
Aug, 2016
提出一种可扩展的基于分布式随机梯度 Langevin 动力学的贝叶斯矩阵分解算法,具备与标准 MCMC 方法相同的预测准确性,同时速度快、简单,并以 Netflix 数据集为例,实现与 Gibbs 采样相当的预测准确性但快一个数量级。
Mar, 2015
我们提出了一种新的矩阵分解方法 BSR,通过利用标准矩阵平方根的特性,可以有效地处理大规模问题,并且构造了解析表达式用于处理具有动量和权重衰减的随机梯度下降,从而克服了与当前最先进的差分隐私模型训练相关方法相比的高计算开销,同时证明了这种逼近质量在集中和联合学习环境中都成立,并通过数值实验证明使用 BSR 训练的模型性能与现有最佳方法相当,同时完全避免了计算开销。
May, 2024
本研究提出了一种新的算法,用于学习高维、高分离度的高斯混合模型的参数,该算法在满足差分隐私强约束的情况下具有与非隐私算法相同的样本复杂度,且不需要对混合组件参数进行先验限制。
Sep, 2019
本篇论文提出了一种分布式高性能并行的 Bayesian Probabilistic Matrix Factorization (BPMF)算法实现方案,并使用了在单节点上的高效负载均衡使用工作窃取和在分布式版本中使用异步通信的方法,超越了现有技术水平。
May, 2017
本文探讨了不同 ially private PCA 方法的理论和实证性能,并提出了一种明确优化输出效用的新方法。我们发现其样本复杂度与现有程序的不同之处在于其与数据维度的缩放,而且在实际数据中,该方法与现有方法相比具有较大的性能差距。
Jul, 2012