面向设备端推荐的联邦遗忘
信息检索
2022-12-06 v2
摘要
推荐系统中日益增长的数据隐私担忧使得联邦推荐(FedRecs)受到越来越多的关注。现有 FedRecs 主要关注如何从其设备端交互数据中有效且安全地学习个人兴趣与偏好。然而,它们均未考虑如何高效地抹除用户对联邦训练过程的贡献。我们认为这种双重设定是必要的。首先,从隐私保护角度看,"被遗忘权"要求用户有权撤回其数据贡献。若不具备可逆能力,FedRecs 将面临违反数据保护法规的风险。另一方面,使 FedRec 能够遗忘特定用户可提升其鲁棒性及对恶意客户端攻击的抵御能力。为支持 FedRecs 中的用户遗忘,我们受数据库管理系统中基于日志的事务回滚机制启发,提出一种高效的遗忘方法 FRU(Federated Recommendation Unlearning,联邦推荐遗忘)。该方法通过回滚并校准历史参数更新来移除用户贡献,随后利用这些更新加速联邦推荐器的重建。然而,在资源受限的个人设备上存储所有历史参数更新具有挑战性甚至不可行。鉴于此挑战,我们提出一种小尺寸负采样方法以减少物品嵌入更新数量,并设计一种基于重要性的更新选择机制以仅存储重要的模型更新。为评估 FRU 的有效性,我们提出一种攻击方法,通过一组被攻陷的用户干扰 FedRecs,并利用 FRU 消除这些用户的影响以恢复推荐器。最后,我们在两个真实世界推荐数据集上结合两种广泛使用的 FedRecs 开展实验,以证明我们所提方法的效率与有效性。
引用
@article{arxiv.2210.10958,
title = {Federated Unlearning for On-Device Recommendation},
author = {Wei Yuan and Hongzhi Yin and Fangzhao Wu and Shijie Zhang and Tieke He and Hao Wang},
journal= {arXiv preprint arXiv:2210.10958},
year = {2022}
}