融合联邦学习与差分隐私的广告个性化隐私保护框架
密码学与安全
2025-07-17 v1 机器学习
摘要
为了缓解个性化广告中的隐私泄露与性能问题，本文提出了一个融合联邦学习与差分隐私的框架。该系统结合了分布式特征提取、动态隐私预算分配和鲁棒模型聚合，以平衡模型准确率、通信开销与隐私保护。多方安全计算与异常检测机制进一步增强了系统抵御恶意攻击的韧性。实验结果表明，该框架在确保隐私的同时实现了推荐准确率与系统效率的双重优化，为隐私保护技术在广告推荐中的应用提供了实用解决方案与理论基础。
引用
@article{arxiv.2507.12098,
title = {A Privacy-Preserving Framework for Advertising Personalization Incorporating Federated Learning and Differential Privacy},
author = {Xiang Li and Yifan Lin and Yuanzhe Zhang},
journal= {arXiv preprint arXiv:2507.12098},
year = {2025}
}