使用数据协作分析的隐私保护推荐系统

May, 2024

使用数据协作分析的隐私保护推荐系统

Privacy-preserving recommender system using the data collaboration analysis for distributed datasets

Tomoya Yanagi, Shunnosuke Ikeda, Noriyoshi Sukegawa, Yuichi Takano

TL;DR建立了一个隐私保护推荐系统的框架，通过对分布式数据集的数据协作分析，改进了分布式数据集的评级预测准确性。

Abstract

In order to provide high-quality recommendations for users, it is desirable to share and integrate multiple datasets held by different parties. However, when sharing such distributed datasets, we need to protect

privacy-preserving recommender systems multiple datasets data collaboration analysis distributed datasets prediction accuracy

发现论文，激发创造

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

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

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

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

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

个性化社交推荐 - 更准确还是更私密？

本文研究了基于社交网络的个性化推荐 —— 社交推荐算法在保护隐私的同时对推荐准确度的影响，并量化了算法的效用损失。研究表明，只有在隐私参数比较宽松的情况下或为社交网络中的一小部分用户提供可行的好的私密社交推荐。

May, 2011

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

隐私保护的进展：对推荐系统、边缘计算和云计算中隐私保护技术的回顾

数字技术的发展带来了移动众包、边缘计算和推荐系统方面的挑战和机遇。本综述聚焦于这些领域，强调在我们日益数据化的世界中对隐私保护的重要需求，并探索了这些相互关联的领域的最新趋势，特别关注隐私和数据安全。综述通过对各种学术工作的深入分析，帮助我们全面了解这些行业及其对隐私问题的关注，提供了对这些领域及其相关隐私挑战的广泛概述，是研究人员、行业从业者和政策制定者的宝贵资源，在现代数字时代迎合了广大受众。

Jan, 2024

差分隐私个性化推荐精确测量的随机算法

提出了一种算法来实现个性化推荐，既确保了精确度，也能维护隐私；以广告为应用示例进行离线实验，量化了隐私保护算法对用户体验、广告主价值和平台收益等关键指标的影响。

Aug, 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