具有异构差分隐私的去中心化矩阵分解
机器学习
2023-09-19 v2 密码学与安全
摘要
传统矩阵分解依赖集中收集用户数据以进行推荐，这可能带来增加的隐私泄露风险，尤其在推荐方不可信时。现有差分隐私矩阵分解方法要么假设推荐方可信，要么只能为不可信推荐方下的所有用户与物品提供统一水平的隐私保护。本文中，我们针对不可信推荐方提出一种新颖的异构差分隐私矩阵分解算法（记为 HDPMF）。据我们所知，我们首次在不可信推荐方场景下实现了去中心化矩阵分解的异构差分隐私。具体而言，我们的框架采用改进的拉伸机制与一种创新的重缩放方案，以在隐私与精度间取得更好权衡。同时，通过合理分配隐私预算，我们可捕获用户/物品内部同质的隐私偏好，但不同用户/物品间异质的隐私偏好。理论分析确认 HDPMF 提供严格隐私保证，详尽实验证明其在强隐私保证、高维模型与稀疏数据集场景下尤具优越性。
引用
@article{arxiv.2212.00306,
title = {Decentralized Matrix Factorization with Heterogeneous Differential Privacy},
author = {Wentao Hu and Hui Fang},
journal= {arXiv preprint arXiv:2212.00306},
year = {2023}
}
备注
Accepted by the 22nd IEEE International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom-2023)