Mar, 2020
使用差分隐私原型联邦推荐
Federating Recommendations Using Differentially Private Prototypes
Mónica Ribero, Jette Henderson, Sinead Williamson, Haris Vikalo
TL;DR我们提出了一种新的联邦学习方法,以保护敏感数据领域(如医学或银行业)中的用户隐私,同时用于推荐系统,不提取原始数据、用户统计数据或个人偏好信息,通过构建一组原型,推断全局行为模式,提供差分隐私保证,并实现局部模型的本地适应,取得了远优于传统中心计算模型、准确度高且具备可证明隐私保障的推荐效果。