![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统隐私保护【文献翻译】
文章平均质量分 93
为了变成大手子冲鸭!
造血干细胞
这个作者很懒,什么都没留下…
展开
-
[文献翻译自用]用于隐私感知推荐的基于深度强化学习的用户画像扰动
用户画像扰动在用户接收推荐服务发送用户文件时保护隐私,其中隐私预算作为隐私参数可以被控制,以实现推荐质量和隐私保护之间的权衡,防止推断攻击。在本文中,我们为推荐系统提出了一种基于深度强化学习的用户画像扰动方案。该方案运用差别隐私保护用户隐私,并利用深度强化学习选择隐私预算来抵御推理攻击者。基于评估的神经网络 (NN)和一个目标NN,该方案使得用户设备能够基于被点击项目的敏感度水平、推荐项目之间的相似性以及估计的隐私损失来随时间优化隐私预算。我们给出了该方案在推荐中隐私保护性能的上限,并评估了其计算复杂度。翻译 2022-09-06 17:59:39 · 386 阅读 · 0 评论 -
[文献翻译自用]一种基于局部敏感哈希的联邦推荐算法(2020 CCGRID)
推荐系统是大数据分析中的一个重要应用,给出准确的推荐和有价值的建议可以为商业公司和客户带来高利润。为了做出精确的推荐,推荐系统通常需要大量的进行训练。在当前的大数据时代,数据往往以孤岛的形式存在,出于隐私安全的考虑,很难对分散的数据进行集成。此外,隐私法律法规让数据共享变得更加困难。因此,设计一个隐私保护的推荐系统至关重要。现有的隐私保护推荐系统模型主要采用密码学方法来实现隐私保护。然而,加密方法在执行加密和解密操作时开销很大,并且缺乏良好的灵活性。...翻译 2022-08-30 19:04:55 · 367 阅读 · 1 评论 -
局部敏感哈希笔记(Locality-Sensitive Hashing)
在隐私保护的文献中看到了使用局部敏感哈希算法的内容,于是看了一下Stanford的CS246课程关于LSH的部分,整理了些csdn上大佬的内容。原创 2022-08-12 10:05:45 · 681 阅读 · 0 评论 -
[文献翻译自用]运用本地差分隐私的基于物品的协同过滤
近年来,基于项目的协同过滤引起了广泛的关注。它根据用户报告的历史数据 (即他们已经感兴趣的商品),向用户推荐他们可能感兴趣的新商品。如果服务器不能被完全信任,则所报告的历史数据会带来重大的隐私风险。许多研究集中于开发差分隐私保护机制来保护个人数据。然而,这些机制大多不能确保推荐的准确性。主要是因为这些方法直接利用扰动数据计算相似度。因此,计算的相似度总是不准确的,这种不准确的相似度会导致推荐结果的不准确。...翻译 2022-07-07 19:39:27 · 400 阅读 · 0 评论 -
[文献翻译自用]基于增强局部敏感哈希的隐私感知跨平台服务推荐
推荐系统是用户从海量数据中快速找到感兴趣的有价值信息的有效途径。具体来说,通过捕捉用户的个性化偏好,推荐系统可以通过使用协同过滤来返回最符合用户偏好的物品清单。然而,在大数据环境中,当需要集成来自不同平台的QoS(服务质量)数据,同时还要确保敏感用户信息安全时,用于推荐决策的QoS数据的高度分散的分布带来了巨大的挑战。...翻译 2022-07-07 11:34:18 · 621 阅读 · 0 评论 -
[文献翻译自用]推荐系统的差分私有协同耦合学习
本文提出了一个支持差分隐私的分布式协同耦合学习系统,本系统可以抵御那些非常了解训练模型和可以访问训练模型的恶意用户。本文通过一个可证明的严格敏感性界限(provable tight sensitivity bound)来解决隐私保护与效用之间的平衡问题。我们的实验证明,本系统即使在相当大的迭代训练次数下,也可以在适中的隐私损失下保证隐私安全。.........翻译 2022-06-06 18:22:24 · 268 阅读 · 0 评论