Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

RecPS: Privacy Risk Scoring for Recommender Systems

Created by
  • Haebom

作者

Jiajie He, Yuechun Gu, Keke Chen

概要

この論文は、推奨システム（RecSys）学習データのプライバシーリスクを定量化する方法を提案します。従来のRecSysは機密性の高いユーザーとアイテムの対話データを使用していますが、プライバシー保護は不十分です。ユーザーは機密性の高いインタラクション情報を共有しない権利がありますが、どのインタラクションがより機密性が高いかわからないという問題があります。したがって、本論文は、メンバーシップ推論攻撃（MIA）ベースのプライバシースコアの測定方法であるRecPSを提案します。 RecPSは、対話レベルとユーザーレベルの両方でプライバシーリスクを測定し、インタラクションレベルスコアは差別的なプライバシーの概念に由来します。コアコンポーネントは、高品質のメンバーシップ推定を提供する相互作用レベルのMIA方法であるRecLiRAです。実験結果,RecPSスコアは,リスク評価とRecSysモデルの展開に有効であることを示した。

Takeaways、Limitations

•
Takeaways：
◦
RecSys学習データのプライバシーリスクを定量的に測定する新しい方法（RecPS）の提示
◦
対話およびユーザーレベルでの個人情報リスクの評価
◦
差別的プライバシーの概念に基づく理論的根拠の提示
◦
高品質のメンバーシップ推定を提供するRecLiRAアルゴリズムの開発
◦
RecSysモデルのアンランニングに利用可能性を提示
•
Limitations：
◦
RecPSのパフォーマンスはMIA攻撃の精度に依存する可能性があります。
◦
実際の状況では、さまざまな種類のRecSysモデルとデータの一般化パフォーマンス検証が必要です。
◦
RecPSスコアに基づくプライバシーポリシーの策定と適用に関する追加の研究が必要です。
◦
特定のMIA攻撃にのみ集中し、他の種類のプライバシー侵害のリスクを十分にカバーできない可能性があります。
👍
Made with Slashpage