推荐系统中的训练后属性遗忘
信息检索
2024-10-25 v3
摘要
随着推荐系统中隐私问题的日益关注，推荐遗忘正受到越来越多的重视。现有研究主要使用训练数据（即模型输入）作为遗忘目标。然而，即使攻击者未在训练过程中明确遇到过某些信息，仍能从模型中提取私有信息。我们将这种未见过的信息称为\textit{属性}并将其作为遗忘目标。为了保护用户的敏感属性，属性遗忘 (AU) 旨在使目标属性不可区分。在本文中，我们关注 AU 的一个严格但实用的设定，即训练后属性遗忘 (PoT-AU)，其中遗忘操作只能在推荐模型训练完成后进行。为解决推荐系统中的 PoT-AU 问题，我们提出了一种双分量损失函数。第一个分量是可区分性损失，我们设计了一种基于分布的度量方法，使属性标签对攻击者而言不可区分。我们进一步扩展了该度量方法，以高效的计算开销处理多类属性情况。第二个分量是正则化损失，我们探索了一种函数空间度量方法，与参数空间正则化相比，它能有效维持推荐性能。我们使用随机梯度下降算法来优化我们提出的损失函数。在四个真实世界数据集上的大量实验证明了我们所提方法的有效性。
引用
@article{arxiv.2403.06737,
title = {Post-Training Attribute Unlearning in Recommender Systems},
author = {Chaochao Chen and Yizhao Zhang and Yuyuan Li and Jun Wang and Lianyong Qi and Xiaolong Xu and Xiaolin Zheng and Jianwei Yin},
journal= {arXiv preprint arXiv:2403.06737},
year = {2024}
}
备注
Accepted by TOIS