利用对抗训练从变分自编码器推荐系统中同时遗忘多个受保护用户属性
机器学习
2024-10-29 v1 信息检索
摘要
在广泛使用的基于神经网络的协同过滤模型中，用户的历史日志被编码成表示用户偏好的潜在嵌入。在这种设置下，模型能够从这些用户嵌入中映射出用户的受保护属性（例如，性别或种族），即使没有显式访问这些属性，从而导致模型可能不公平地对待特定人口统计用户群体并引发隐私问题。虽然先前的工作一次只处理移除单个用户受保护属性的问题，但在现实场景中，可能涉及多个属性。在本文中，我们提出了 AdvXMultVAE，其目标是在提高不同人口统计用户群体间公平性的同时，遗忘多个受保护属性（以性别和年龄为例）。为此，我们将变分自编码器（VAE）架构与对抗训练（AdvMultVAE）相结合，以支持同时移除具有连续值和/或类别值的用户受保护属性。我们分别在音乐和电影领域的两个数据集 LFM-2b-100k 和 Ml-1m 上进行的实验表明，在有效减轻人口统计偏差并提高潜在嵌入匿名性方面，我们的方法能比其单一属性移除的对应方法（基于 AdvMultVAE）产生更好的结果。
引用
@article{arxiv.2410.20965,
title = {Simultaneous Unlearning of Multiple Protected User Attributes From Variational Autoencoder Recommenders Using Adversarial Training},
author = {Gustavo Escobedo and Christian Ganhör and Stefan Brandl and Mirjam Augstein and Markus Schedl},
journal= {arXiv preprint arXiv:2410.20965},
year = {2024}
}