[CPE 2021] Differentially private locality sensitive hashing based federated recommender system

基于差分隐私局部敏感哈希的联邦推荐系统

Differentially private locality sensitive hashing based federated recommender system
Wiley Online Library
Concurrency and Computation: Practice and Experience

引入

现有的问题

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，并且缺乏很好的灵活性。

本文方案

1. 对现有的基于局部敏感哈希 (LSH) 方法的隐私保护推荐系统进行了隐私分析，并展示了攻击者如何在这种推荐系统下检索用户信息。
2. 差分隐私LSH 方法来构建可以为用户提供差异隐私保证的推荐系统

相关工作

隐私保护的RS

10 一种基于多方随机掩码和多项式聚合技术的任意分布式数据隐私保护协同过滤方案。
在他们的方案中，隐私保护是通过适配协议和 Paillier 同态加密来实现的。
11 Badsha 等人提出了一种基于同态加密的隐私保护的基于用户的协同过滤技术。
该技术可以计算用户之间的相似性并在不泄露任何私人信息的情况下生成推荐。
12 Polatidis 等人通过在将每个评级提交给服务器之前对其进行扰动，提出了一种用于协同过滤系统的多级隐私保护方法。
这种扰动方法基于多个级别和每个级别的不同范围的随机值。然而，扰动方法缺乏明确的隐私定义，难以量化隐私级别。

差分隐私RS

7 基于差异隐私，McSherry 等人。提出了一种通用的推荐系统方案，该方案在为用户提供差分隐私保证的同时保持较高的推荐性能。
该方案使用数据预处理，之后数据可用于训练许多推荐系统算法。

本文使用随机响应来实现差异隐私
使用随机响应的核心思想是在构建哈希索引的过程中应用扰动。

局部敏感哈希LSH

一种有效且可扩展的相似性计算方案
应用：近重复检测，层次聚类，全基因组关联研究和图像相似性识别
显着特点：相似度计算具有线性时间复杂度，而传统的 pair-wise 计算具有二次复杂度。

16 Liang 等人提出实时协同过滤推荐系统。
他们使用 LSH 构建用户或项目块，这有助于实时邻域形成和推荐。
8 Qi提出了一种基于 LSH 的分布式推荐系统，以实现快速、准确和高质量的推荐服务，同时保护不同贡献方的用户隐私。
他们指出，通过投影，用户数据的原始形式由其隐藏原始数据的索引表示。
但是，他们没有讨论重建原始数据和缺乏理论分析的潜在问题。

将 LSH 作为一种索引技术，在提供数据匿名化的同时，实现快速高效的推荐。我们使用图 2来展示Rec LSH如何提供数据匿名化。

两种DPLSH

提出了两种类型的 DPLSH：

• 基于p-稳定的LSH函数
  
  

• 基于Angle LSH函数
  

算法

Algorithm 1. Reconstruct data by using RLS when n ≥ d

Algorithm 2. Reconstruct data using RNLP when n < d

Algorithm 3. Construct differentially private LSH index

隐私分析