What Data is Really Necessary? 面向推荐系统的推理数据最小化可行性研究
机器学习
2025-09-01 v1 人工智能
信息检索
摘要
数据最小化是要求个人数据处理仅限于特定目的所必需范围的法律原则。对于依赖广泛个人数据的推荐系统而言，将其实际化仍是一个重大挑战。本文对隐式反馈推理数据的最小化开展可行性研究。我们提出了新颖的问题表述，分析了 various 最小化技术，并探讨了其有效性影响的关键因素。我们证明，在不显著牺牲性能的前提下，可实现显著的推理数据降低。然而，其实际可行性严格取决于两个因素: 技术环境(如性能目标、模型选择)和用户特征(如历史规模、偏好复杂度)。因此，尽管我们确立了其技术可行性，但数据最小化在实际中仍具有挑战性，其对技术和用户情境的依赖使得难以实施通用的数据 '必要性' 标准。
引用
@article{arxiv.2508.21547,
title = {What Data is Really Necessary? A Feasibility Study of Inference Data Minimization for Recommender Systems},
author = {Jens Leysen and Marco Favier and Bart Goethals},
journal= {arXiv preprint arXiv:2508.21547},
year = {2025}
}
备注
Accepted for publication at the 34th ACM International Conference on Information and Knowledge Management (CIKM '25), November 10-14, 2025, Seoul, Republic of Korea