WSDMDec, 2023

用户同意的联邦推荐系统抵御个性化属性推断攻击

PDF
TL;DR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。
recommender systemsfederated learningprivacy preservationattribute inference attacksuser-consented federated recommendation system
发现论文，激发创造
  • FedRec+：增强联邦推荐系统的隐私保护与异构性处理

    FedRec + 是一个用于增强隐私保护和解决异构性挑战的 Federated Recommendation Systems（FRS）集成框架，通过基于特征相似性的最优子集选择生成近似最优的伪评分，利用用户本地信息，减少噪声，有效降低沟通成本，并利用 Wasserstein 距离估计每个客户端的异构性和贡献，通过解决优化问题而获得最佳聚合权重，实验证明了 FedRec + 在各种参考数据集上的卓越性能。

    Oct, 2023

  • 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

  • Efficient-FedRec: 保护隐私的新闻推荐高效联邦学习框架

    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

  • 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

  • 联邦推荐系统综述

    本文综述了联邦学习在推荐系统中的应用，探讨了隐私机制、聚合策略、异构问题和通信成本等方面面临的挑战和解决方案，同时介绍了相关开源平台，并提出了未来研究方向。

    Dec, 2022

  • 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

  • 联邦推荐中的双重个性化

    本文提出了一种新的个性化联邦推荐 (PFedRec) 框架，基于轻量级模型在智能设备上部署用户特定模型，同时提出了一种新的双重个性化机制来实现对用户和项目的细粒度个性化学习，该学习过程被统一到一个联邦优化框架中。实验结果表明，PFedRec 框架和双重个性化机制是有效的，并为联邦推荐过程中的个性化技术提供了更深层次的探讨。

    Jan, 2023

  • FedRecAttack：对联邦推荐模型的模型毒化攻击

    该论文介绍了一种针对联邦推荐系统的模型毒化攻击，利用公共交互信息近似用户特征向量，并通过精心设计的方式控制恶意用户上传毒化梯度，提高目标项的曝光率。实验结果表明，FedRecAttack 在 3% 的恶意用户和 1% 的公共交互情况下仍然非常有效，揭示了联邦推荐系统相比传统推荐系统更易受到攻击的事实。

    Apr, 2022

  • 使用差分隐私原型联邦推荐

    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

  • 基于隐式反馈的联邦协同过滤更强隐私保护

    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