面向设备上下一步应用预测的联邦隐私保护协同过滤
信息检索
2023-03-09 v1 密码学与安全
人机交互
机器学习
摘要
在本研究中，我们提出一种新颖的 SeqMF 模型，以解决移动设备使用过程中预测下一步应用启动的问题。尽管该问题可表示为经典的协同过滤问题，但由于数据是序列化的、用户反馈分布于各设备之间，且用户数据传输以聚合共性模式时必须防止泄露，因此需要适当修改。基于此类需求，我们修改了经典矩阵分解模型的结构，并将训练过程更新为序列学习。由于用户体验数据分布于各设备，采用联邦学习设置来训练所提出的序列矩阵分解模型。所提方法的另一要素是一种新的隐私机制，可保证从用户发送至远程服务器的数据受到保护。为证明所提模型的有效性，我们使用公开可用的移动用户行为数据。我们将我们的模型与序列规则及基于应用启动频率的模型进行比较。比较在静态与动态环境中进行。静态环境评估我们的模型相较竞争模型处理序列数据的表现，因此采用标准的训练-验证-测试评估流程。动态环境模拟真实场景，即用户通过在设备上运行应用产生新数据，并在此情况下评估我们的模型。实验表明，所提模型在静态环境中与其他方法质量相当。但更重要的是，我们的方法在动态环境中实现了优于竞争模型的隐私-效用权衡，后者能更精确地模拟真实世界使用。
引用
@article{arxiv.2303.04744,
title = {Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction},
author = {Albert Sayapin and Gleb Balitskiy and Daniel Bershatsky and Aleksandr Katrutsa and Evgeny Frolov and Alexey Frolov and Ivan Oseledets and Vitaliy Kharin},
journal= {arXiv preprint arXiv:2303.04744},
year = {2023}
}