Mar, 2020

使用差分隐私原型联邦推荐

PDF
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。
federated learningdifferential privacyrecommender systemssensitive dataglobal model
发现论文，激发创造
  • 面向隐私保护的联邦协作过滤个性化推荐系统

    本文介绍了一个基于随机梯度方法的联邦协作过滤模型，并将其应用于用户推荐系统，旨在提高用户隐私保护，且实验表明，在联邦实现中，相较于标准实现而言，推荐系统的性能并未降低。

    Jan, 2019

  • 隐私保护新闻推荐模型学习

    本文提出了一种基于联邦学习的隐私保护新闻推荐模型训练方法，将用户行为数据存储在本地设备上并使用局部差分隐私 (LDP) 技术保护用户信息，采用多个用户设备上传模型的局部渐变并通过聚合全局模型进行模型训练，实验证明该方法能有效训练一种具有隐私保护功能的新闻推荐模型。

    Mar, 2020

  • 具备差分隐私的联邦学习用于敏感健康数据

    本文介绍了一种联邦学习框架，可以从不同站点本地持有的分布式健康数据中学习全局模型，提供了两个级别的隐私保护，第一级别的隐私保护不在模型训练过程中移动或共享原始数据，第二级别的隐私保护使用差分隐私机制防止对模型的潜在隐私攻击，并在两个医疗应用程序上对我们的方法进行了全面评估，使用 100 万患者的真实世界电子健康数据，证明了联邦学习框架在提供更高级别的隐私保护和维护全局模型效用方面的可行性和有效性。

    Oct, 2019

  • 使用联邦学习的电影推荐隐私保护系统

    本研究提出了一种基于联邦学习的电影推荐系统，采用新颖的联邦学习方案 FedQ, 通过量化和压缩阶段来保护隐私和减少通信开销，从而创建出同时保护隐私和提供个性化推荐的学习模型。

    Mar, 2023

  • 具有个性化和共享组件混合的医疗联合模型

    本文提出了一种新的个性化联邦学习框架来解决异构医疗数据在多个医院之间协作训练神经网络时的降级问题，并设计了差异性稀疏正则化器和降低计算成本的方法来提高计算效率，最后通过实验证明该方法可以获取最佳模型性能和高达 60％的通信效率改进。

    Jun, 2023

  • 隐私保护联邦学习的混合方法

    本文提出了一种结合差分隐私和安全多方计算的联邦学习方法，在保证训练和最终模型的隐私性的同时，也能够保持较高的预测准确率，这个系统不仅能应用于多种机器学习模型的训练，而且在实验上验证了它的优越性。

    Dec, 2018

  • 联邦学习中的个性化改善隐私 - 准确性权衡

    研究分布式机器学习系统，并基于修正的随机优化算法实现私人级联学习，在保证局部模型私密性的同时，与全局模型进行协调，提升了准确性和隐私保护的平衡。

    Feb, 2022

  • 隐私保护机制在联邦学习中的应用

    本文研究在联邦学习中，使用差分隐私和社区驱动方法来保障本地数据隐私，识别了一个安全漏洞并设计了两种攻击模式，Adversarial Mode 和 Backdoor Mode，实验结果表明这些攻击是有效的。

    May, 2023

  • 快速调整和隐私保护的联邦推荐系统

    提出了一种基于分散联邦学习环境的 DNN 推荐模型 PrivRec，该模型不会泄露用户数据并且具有不同的隐私保护级别。

    Apr, 2021

  • 局部差分隐私下联邦学习中的实用聚合

    本文研究基于联邦学习的隐私保护问题，提出了一种局部差分隐私机制，以解决当前机制存在的噪声数据接近原始值、估计平均数的方差过大和深度学习模型权重维数高导致隐私预算过大的问题。实验结果表明，该机制不仅具有优异的深度学习性能，而且能够提供强大的隐私保证。

    Jul, 2020