隐私-效用-偏差权衡：面向隐私保护推荐系统
机器学习
2025-12-01 v1
摘要
推荐系统（RS）输出基于用户过往评分及其他用户评分而生成的物品排序列表，如电影或餐厅等。推荐系统日益采用差分隐私（DP）机制以保护用户数据，这引发关于隐私机制如何同时影响推荐准确性和公平性的疑问。我们对四种推荐系统（神经协同过滤（NCF）、贝叶斯个性化排序（BPR）、奇异值分解（SVD）和变分自编码器（VAE））在 MovieLens-1M 和 Yelp 数据集上应用的两种差分隐私机制（差分隐私随机梯度下降（DPSGD）和局部差分隐私（LDP））进行了全面、跨模型的评估。我们发现，更强的隐私保护一致会降低效用，但并非均匀。NCF 在 DPSGD 下的准确率损失最小（在 epsilon 约为 1 时损失不足 10%），而 SVD 和 BPR 则经历更大幅度的下降，尤其是针对偏好较为小众的用户。VAE 对隐私最为敏感，稀疏表示群体的表现急剧下降。偏差指标的影响同样呈现异质性。DPSGD 通常会缩小热门物品与较少热门物品推荐之间的差距，而 LDP 则更贴近地保留了现有的模式。这些结果表明，没有单一的 DP 机制在所有情境下都 uniformly 更优；每个机制都在不同的隐私场景和数据条件下都提供着不同的权衡。
引用
@article{arxiv.2511.22515,
title = {Privacy-Utility-Bias Trade-offs for Privacy-Preserving Recommender Systems},
author = {Shiva Parsarad and Isabel Wagner},
journal= {arXiv preprint arXiv:2511.22515},
year = {2025}
}