WSDMNov, 2019

使用对抗学习进行隐私感知的私有属性保护推荐

PDF
TL;DR本文提出了一种名为 “RAP” 模型，使得在推荐系统中保护用户隐私属性的同时，能够为其推荐相关物品，通过对对抗学习问题的建模，对私有属性推断攻击进行反制，同时基于贝叶斯个性化推荐算法调节推荐过程，并在实验证明保持了推荐质量并保护了用户免受私有属性推断攻击。
发现论文，激发创造
  • 使用对抗训练来消除推荐系统中保护用户属性的影响

    本研究通过在当前最先进的 MultVAE 结构中引入对抗训练，提出了一种新型保护用户隐私的推荐系统算法 Adv-MultVAE，该算法利用多项式似然函数去除隐私属性的影响，同时保持了推荐精度，并通过实验证明了 Adv-MultVAE 对多个数据集的强健性。

    Jun, 2022

  • 通过对用户表示进行对抗性训练，实现推荐系统中的隐私和公正

    本文提出了隐私敌对框架以消除推荐系统中计算的用户向量可能泄漏的私人信息，并研究了隐私和推荐性能之间的权衡，同时保证了结果的公平性。

    Jul, 2018

  • AttriGuard: 通过对抗式机器学习实现属性推断攻击实用防御

    该研究提出了一种新的隐私保护技术，通过使用干扰攻击来保护用户的隐私信息免遭基于机器学习分类器的信息泄露攻击，该方法有效降低了用户公开信息的隐私损失。

    May, 2018

  • 针对推荐系统的成员推断攻击

    本文第一次尝试从成员推理的角度量化推荐系统的隐私泄漏，并提出了基于成员推理的攻击框架和防御机制。实验结果表明，攻击框架具有强大的性能。

    Sep, 2021

  • PrivNet：保护推荐算法中的私有特征的迁移学习

    本文提出了采用对抗训练的方式保护源域隐私的方法，在保护源域隐私前提下，通过转移学习提高目标域推荐系统的表现，实验证明该模型能够成功的保护源域隐私.

    Oct, 2020

  • 面向属性推断攻击的图嵌入推荐

    该论文提出了一种名为 GERAI 的新型差分隐私图卷积网络，它结合了差分隐私的信息扰动机制和图卷积网络的推荐功能，采用本地差分隐私和函数机制，创新性地设计了一个双阶段加密范式，可同时对用户的敏感特征和模型优化过程进行隐私保护，并在抵御属性推断攻击和推荐有效性方面具有优越性。

    Jan, 2021

  • 重新审视对抗学习注入攻击对推荐系统的影响

    研究了推荐系统中存在的一种被称为 “对抗性注入攻击” 的问题，攻击者通过注入虚假的用户行为来实现其目的，设计了一种生成虚假用户的优化问题的精确解决方案，并探讨了攻击传递性及其限制，在真实数据集上进行了实验，为防御这种可能出现的攻击提供了有用的方法。

    Aug, 2020

  • 用户同意的联邦推荐系统抵御个性化属性推断攻击

    通过用户许可的联合推荐系统（UC-FedRec），我们提出了一种能够灵活满足用户不同隐私需求的推荐系统，以最小的推荐准确度代价实现用户的隐私保护。在不同的真实数据集上进行的实验表明，我们的框架相比基线更加高效和灵活。

    Dec, 2023

  • 使用对抗正则化的成员隐私机器学习

    介绍了一种隐私机制，用于训练机器学习模型以保证隐私，并使用敌对训练算法最小化模型的分类损失和最大的成员推断攻击，从而提高模型的鲁棒性和泛化性能，该机制在深度神经网络上的测试结果表明，可以在可接受的分类误差下显著降低成员推断攻击的风险。

    Jul, 2018

  • 隐私保护与任务导向表征的对抗学习

    本文提出了一种对抗性重构学习框架，旨在学习一种以任务为导向的隐私保护表示，以防止模型反演攻击，采用负像素重构损失或负感知距离损失最小化来实现，展示了在面部属性预测任务中我们的方法可以在小幅度降低实用性的情况下保护视觉隐私，并提供了不同特征、任务和数据的广泛研究，以进一步分析它们对隐私保护的影响和效用 - 隐私权衡的关系。

    Nov, 2019