PrivNet：在推荐迁移学习中保护私有属性
人工智能
2021-01-14 v1 计算与语言
信息检索
机器学习
摘要
迁移学习是一种利用源领域知识改进目标推荐系统的有效技术。现有研究聚焦于目标领域的推荐性能，却忽视了源领域的隐私泄露。然而，被迁移的知识可能无意中泄露源领域的私有信息。例如，攻击者可根据源领域数据拥有者提供的用户历史购买记录准确推断用户人口统计特征。本文通过在学习隐私感知的神经表示的同时提升目标性能并保护源隐私，解决上述隐私保护问题。其核心思想是在训练中模拟攻击以保护未来未出现用户的隐私，建模为一个对抗博弈，从而使迁移学习模型对攻击具备鲁棒性。实验表明，所提出的PrivNet模型能成功解耦有益于迁移的知识与泄露隐私的知识。
引用
@article{arxiv.2010.08187,
title = {PrivNet: Safeguarding Private Attributes in Transfer Learning for Recommendation},
author = {Guangneng Hu and Qiang Yang},
journal= {arXiv preprint arXiv:2010.08187},
year = {2021}
}
备注
Findings of EMNLP 2020