Meta 矩阵分解在严格隐私约束下的鲁棒性
信息检索
2021-06-02 v2
摘要
本文中，我们探究 Lin 等人提出的元矩阵分解框架 MetaMF 的可复现性。MetaMF 采用元学习进行联邦评分预测以保护用户隐私。我们在五个数据集（即 Douban、Hetrec-MovieLens、MovieLens 1M、Ciao 与 Jester）上复现了 Lin 等人的实验。同时，我们研究了元学习对 MetaMF 推荐准确性的影响。此外，在我们的工作中，我们认识到用户对自身信息暴露可能有不同的容忍度。因此，在第二组实验中，我们考察了 MetaMF 在严格隐私约束下的鲁棒性。我们的研究表明可复现 Lin 等人的大部分结果。并且，我们提供了有力证据：元学习对于 MetaMF 在严格隐私约束下的鲁棒性至关重要。
引用
@article{arxiv.2101.06927,
title = {Robustness of Meta Matrix Factorization Against Strict Privacy Constraints},
author = {Peter Müllner and Dominik Kowald and Elisabeth Lex},
journal= {arXiv preprint arXiv:2101.06927},
year = {2021}
}
备注
Accepted at ECIR 2021, Reproducibility Track