使用联邦学习的电影推荐隐私保护系统
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
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
本篇论文提出了一种有效的联邦学习框架,用于保护隐私的新闻推荐,通过在服务器上维护一个大的新闻模型和在服务器和客户端共享的轻量级用户模型来分解新闻推荐模型,实现了客户端的计算和通信成本的降低,并通过隐私保护的安全聚合方法对梯度进行聚合。
Sep, 2021
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。
Mar, 2020
我们提出了一个实用的联邦推荐系统,用于隐式数据下的用户级本地差分隐私,包括代理网络来减少用户跟踪表面。我们在 Movielens 数据集上进行实证研究,并在保护用户隐私的同时,实现了高命中率。
May, 2021
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
通过使用联邦学习(包括有和无安全聚合器)在受监督和无监督的人脸识别系统中进行训练,我们的实验结果表明联邦学习既保护了隐私又实现了与单独模型几乎相同的性能。我们的研究工作揭示了隐私保护的人脸图像训练中的实际挑战,尤其注重隐私和准确性的平衡问题。
Mar, 2024