PrivMVMF:面向推荐系统的隐私保护多视图矩阵分解
信息检索
2023-05-09 v1 人工智能
机器学习
摘要
随着对数据隐私的日益关注,已有在联邦学习(FL)框架下推荐系统的试点研究,其中多方在不共享数据的情况下协作训练模型。这些研究大多假设常规 FL 框架能完全保护用户隐私。然而,根据我们的研究,基于联邦推荐系统的矩阵分解存在严重的隐私风险。本文首先对联邦推荐系统中四种场景下的服务器重构攻击进行了严谨的理论分析,并辅以全面实验。实证结果表明,FL 服务器可基于 FL 节点上传的梯度以 >80% 的准确率推断用户信息。鲁棒性分析表明,在所有场景中,当拉普拉斯噪声的 b 不大于 0.5 时,我们的重构攻击分析优于随机猜测 >30%。随后,本文提出了一种基于同态加密的新隐私保护框架——隐私保护多视图矩阵分解(PrivMVMF),以增强联邦推荐系统中的用户数据隐私保护。所提出的 PrivMVMF 已成功实现并使用 MovieLens 数据集进行了充分测试。
引用
@article{arxiv.2210.07775,
title = {PrivMVMF: Privacy-Preserving Multi-View Matrix Factorization for Recommender Systems},
author = {Peihua Mai and Yan Pang},
journal= {arXiv preprint arXiv:2210.07775},
year = {2023}
}