一种经验证的兼具隐私与效用保持的局部差分隐私推荐系统
密码学与安全
2021-09-24 v1
摘要
本文提出一种兼顾隐私与效用的新型推荐系统。它依赖局部差分隐私（LDP），使浏览用户将其经扰动的 Bloom 过滤器形式的含噪偏好画像传输给服务提供商。该方法的新颖性体现在多方面。首先，据我们所知，该方法是首个在用户侧针对完整用户画像采用两轮扰动——PRR（永久随机响应）与 IRR（瞬时随机响应）——的方法。其次，搭建了完整的验证实验链，采用基于神经网络或 XGBoost 的机器学习解码算法来解码受扰动的 Bloom 过滤器，并使用 Kmeans 聚类工具对用户进行聚类。第三，大量实验表明我们的方法实现了良好的效用-隐私权衡，即在 LDP 时聚类成功率为 90%，在 时为 80.3%。第四，实验与理论分析给出了我们的方法在可否认性合理性与抗平均攻击方面的具体抗性结果。
引用
@article{arxiv.2109.11340,
title = {A Validated Privacy-Utility Preserving Recommendation System with Local Differential Privacy},
author = {Seryne Rahali and Maryline Laurent and Souha Masmoudi and Charles Roux and Brice Mazeau},
journal= {arXiv preprint arXiv:2109.11340},
year = {2021}
}
备注
Accepted for publication in the 15th IEEE International Conference on Big Data Science and Engineering (BigDataSE 2021)