快速自适应且隐私保护的联邦推荐系统
信息检索
2021-09-14 v3
摘要
在移动互联网时代，推荐系统已成为帮助用户发现有用项目、从而缓解信息过载问题的不可替代工具。近期基于深度神经网络（DNN）的推荐系统研究在提升预测精度方面取得了显著进展，这在很大程度上归功于从用户设备收集并集中存储于云服务器的大量用户个人数据。然而，随着全球范围内对在线平台用户隐私泄露的担忧日益加剧，公众对这种滥用用户隐私的行为感到焦虑。因此，开发一种既能实现高预测精度又具备高度用户隐私保护的推荐系统迫切且有益。为此，我们提出了一种基于 DNN 的推荐模型 PrivRec，运行于去中心化的联邦学习（FL）环境中，确保用户数据在模型训练过程中从不离开其设备。另一方面，为了更好地应对 FL 中普遍存在的异构数据，我们创新性地引入了一种一阶元学习方法，仅需少量数据点即可实现快速的端侧个性化。此外，为防御可能对其他用户构成严重安全威胁的潜在恶意参与者，我们开发了用户级差分隐私的 DP-PrivRec 模型，使得仅凭训练后的模型无法判断特定用户是否参与。最后，我们在模拟 FL 环境下于两个大规模数据集上进行了大量实验，结果验证了我们所提出的 PrivRec 与 DP-PrivRec 的优越性。
引用
@article{arxiv.2104.00919,
title = {Fast-adapting and Privacy-preserving Federated Recommender System},
author = {Qinyong Wang and Hongzhi Yin and Tong Chen and Junliang Yu and Alexander Zhou and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2104.00919},
year = {2021}
}
备注
Acceptd by VLDB J