CURE4Rec：基于更深层次影响的推荐系统记忆消除基准
信息检索
2024-12-24 v2 机器学习
摘要
随着人工智能领域隐私 concerns 的增加，法规已要求实施被遗忘权，赋予个人从模型中撤回其数据的权利。机器记忆消除作为一种潜在解决方案，已在尤其涉及包含敏感用户信息的历史数据的推荐系统中，成为实现选择性遗忘的一种方法。尽管近期在推荐记忆消除方面取得了进展，但综合评估记忆消除方法仍具有挑战性，这是由于缺乏统一的评估框架以及被忽视的更深层次影响问题，如公平性。在解决这些差距之后，我们提出了 CURE4Rec，即首个针对推荐记忆消除评估的全面基准。CURE4Rec 覆盖四个方面，即记忆消除的完整性、recommendation Utility、unlearning efficiency以及recommendation fairnEss，以及三种数据选择策略，即核心数据、边缘数据和随机数据。具体而言，我们考虑记忆消除对推荐公平性和对不同影响程度数据鲁棒性的更深层次影响。我们构建了多个带有 CURE4Rec 评估的数据集，并对现有推荐记忆消除方法进行了大规模实验。我们的代码已发布于 https://github.com/xiye7lai/CURE4Rec。
引用
@article{arxiv.2408.14393,
title = {CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence},
author = {Chaochao Chen and Jiaming Zhang and Yizhao Zhang and Li Zhang and Lingjuan Lyu and Yuyuan Li and Biao Gong and Chenggang Yan},
journal= {arXiv preprint arXiv:2408.14393},
year = {2024}
}
备注
Accepted to NeurIPS 2024, Datasets and Benchmarks. Website: https://oktton.github.io