基于个性化掩码实用且安全的联邦推荐

联邦推荐一并解决了推荐系统的数据孤岛和隐私问题。当前的联邦推荐系统主要利用加密或混淆方法来保护原始评分免遭泄露。然而，前者带来额外的通信与计算成本，后者损害模型准确性。它们均无法同时满足推荐系统的实时反馈和准确个性化需求。在本文中，我们提出了联邦掩码矩阵分解(FedMMF)，以在不牺牲效率和有效性的情况下保护联邦推荐系统中的数据隐私。更详细地，我们引入了仅由本地数据生成个性化掩码的新思路，并将其应用于FedMMF。一方面，个性化掩码在不损失有效性的情况下为参与方的私有数据提供保护。另一方面，结合自适应安全聚合协议，个性化掩码可进一步提高效率。理论上，我们为个性化掩码提供了安全性分析。在实证上，我们也展示了所设计模型在不同真实世界数据集上的优越性。