Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

RecPS : évaluation des risques liés à la confidentialité pour les systèmes de recommandation

Created by
  • Haebom

Auteur

Jiajie He, Yuechun Gu, Keke Chen

Contour

Cet article propose RecPS, une nouvelle méthode de quantification des risques pour la confidentialité dans les systèmes de recommandation (RecSys). RecPS mesure les risques pour la confidentialité aux niveaux interaction et utilisateur en calculant des scores de confidentialité basés sur des attaques par inférence d'appartenance (MIA). Plus précisément, RecLiRA, une méthode MIA au niveau interaction, fournit une estimation très précise de l'appartenance. Le score au niveau interaction dans RecPS est dérivé du concept de confidentialité différentielle et est étendu au calcul des scores au niveau utilisateur. Les résultats expérimentaux démontrent l'efficacité de RecPS pour l'évaluation des risques et le désapprentissage des modèles RecSys.

Takeaways, Limitations_

•
Takeaways:
◦
RecSys présente une nouvelle méthode de mesure quantitative des risques liés à la confidentialité.
◦
Vous pouvez évaluer les risques de confidentialité au niveau de l’interaction et de l’utilisateur.
◦
Il s’agit d’une méthode théorique basée sur le concept de protection différentielle de la vie privée.
◦
Nous présentons le potentiel du désapprentissage du modèle RecSys.
◦
Nous proposons RecLiRA, qui fournit une estimation d'adhésion de haute qualité.
•
Limitations:
◦
Il se peut qu’il y ait un manque d’analyse du coût de calcul requis pour l’application pratique de la méthode proposée.
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation de différents types de modèles et d’ensembles de données de systèmes de recommandation.
◦
Les performances de RecLiRA peuvent être biaisées en faveur de certains ensembles de données ou modèles.
◦
Une vérification supplémentaire de l’application et de l’efficacité dans les environnements de service réels est requise.
👍
Made with Slashpage