提高隐私感知推荐系统效率与安全性的新方法
密码学与安全
2024-06-03 v1
摘要
推荐系统是在线平台的重要组成部分，用于向具有相似兴趣的用户推荐新内容。然而，它们需要大量的用户活动数据，如果数据未得到充分保护，这些数据就构成对用户隐私的严重威胁。隐私感知推荐系统可在保持与传统非私有推荐系统相似的推荐准确性的同时保护此类敏感用户数据。然而，目前的隐私感知推荐系统在隐私和计算效率之间存在显著的权衡。例如，众所周知，依赖纯密码学原语的体系结构提供最强的隐私保证，但会产生显著的计算和网络开销。因此，提高这一权衡对于更好的性能至关重要。本文提出了一种新型隐私感知推荐系统，将隐私感知机器学习算法用于实际可扩展性和效率，同时结合诸如同态加密和多方计算等密码学原语——无需信任方或安全硬件——提供稳健的隐私保证。在标准基准数据集上的实验表明，我们的方法相对于仅使用密码学原语构建隐私感知推荐系统，在时间和内存方面获得了三个数量级的提升。此外，我们的方法首次使得即使在内存受限的低功耗SOC（系统级芯片）设备上，也可计算包含1亿条记录的私有推荐。
引用
@article{arxiv.2405.20483,
title = {Hiding Your Awful Online Choices Made More Efficient and Secure: A New Privacy-Aware Recommender System},
author = {Shibam Mukherjee and Roman Walch and Fredrik Meisingseth and Elisabeth Lex and Christian Rechberger},
journal= {arXiv preprint arXiv:2405.20483},
year = {2024}
}