快速差分隐私矩阵分解
机器学习
2015-05-08 v2 人工智能
摘要
差分隐私协同过滤是一项具有挑战性的任务，无论在准确性还是速度方面。我们提出了一种简单算法，该算法可证明是差分隐私的，同时利用差分隐私与通过随机梯度朗之万动力学的贝叶斯后验采样之间的新颖联系提供了良好性能。由于其简单性，该算法易于高效实现。通过精心的系统设计并利用数据的幂律行为以最大化 CPU 缓存带宽，我们能够在单台 PC 上以每秒 850 万次推荐的速度生成 1024 维模型。
引用
@article{arxiv.1505.01419,
title = {Fast Differentially Private Matrix Factorization},
author = {Ziqi Liu and Yu-Xiang Wang and Alexander J. Smola},
journal= {arXiv preprint arXiv:1505.01419},
year = {2015}
}