针对联邦推荐系统的交互级成员推断攻击
信息检索
2023-01-31 v2
摘要
联邦学习与推荐系统（FedRec）的结合已被广泛用于解决个性化推荐服务中日益增长的数据隐私问题。在 FedRec 中，用户的属性信息和行为数据（即用户-物品交互数据）保留在其个人设备的本地，因此被认为是一种相当安全的保护用户隐私的方法。因此，FedRec 的隐私问题很少被探讨。不幸的是，最近的若干研究揭示 FedRec 易受用户属性推断攻击，凸显了 FedRec 的隐私隐患。本文进一步研究 FedRec 中用户行为数据（即用户-物品交互）的隐私问题。具体而言，我们首次对 FedRec 上的交互级成员推断攻击进行了系统性研究。首先设计了一个交互级成员推断攻击者，随后采用经典的隐私保护机制——本地差分隐私（LDP）来防御该成员推断攻击。不幸的是，实证分析表明 LDP 对此类新攻击无效，除非大幅牺牲推荐性能。为缓解交互级成员攻击威胁，我们设计了一种简单而有效的防御方法，可在不损失推荐性能的前提下显著降低攻击者的推断准确率。我们在三个真实推荐数据集（MovieLens-100K、Steam-200K 和 Amazon Cell Phone）上基于两种广泛使用的 FedRec（Fed-NCF 和 Fed-LightGCN）进行了大量实验，实验结果表明了我们解决方案的有效性。
引用
@article{arxiv.2301.10964,
title = {Interaction-level Membership Inference Attack Against Federated Recommender Systems},
author = {Wei Yuan and Chaoqun Yang and Quoc Viet Hung Nguyen and Lizhen Cui and Tieke He and Hongzhi Yin},
journal= {arXiv preprint arXiv:2301.10964},
year = {2023}
}
备注
This paper has been accepted by The Web Conference (WWW) 2023