利用元学习和有针对性差分隐私提高推荐系统中的准确性-隐私权衡
信息检索
2026-05-13 v2 机器学习
摘要
在隐私保护的推荐系统中，平衡差分隐私 (DP) 与推荐准确性是一个关键挑战，因为 DP 噪声会降低准确性。我们从数据层面和模型层面同时解决这一权衡。在数据层面，我们仅对最具代表性的可能透露敏感属性（如性别或年龄）的用户数据应用 DP，以减少不必要的扰动；我们称之为有针对性的 DP。在模型层面，我们使用元学习来提高对剩余 DP 噪声的鲁棒性。这实现了比标准方法更好的准确性和隐私权衡：元学习提高了准确性，而有针对性的 DP 相对于均匀应用的 DP 和完全 DP 基线导致更低的经验隐私风险。总体而言，我们的发现表明，在数据层面选择性地应用 DP 以及在模型层面采用元学习，能够有效平衡推荐准确性和用户隐私。
引用
@article{arxiv.2604.26390,
title = {Meta-Learning and Targeted Differential Privacy to Improve the Accuracy-Privacy Trade-off in Recommendations},
author = {Peter Müllner and Dominik Kowald and Markus Schedl and Elisabeth Lex},
journal= {arXiv preprint arXiv:2604.26390},
year = {2026}
}
备注
Accepted at LBR@UMAP'26