दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

RecPS: अनुशंसा प्रणालियों के लिए गोपनीयता जोखिम स्कोरिंग

Created by
  • Haebom

लेखक

जियाजी हे, यूचुन गु, केके चेन

रूपरेखा

यह शोधपत्र RecPS का प्रस्ताव करता है, जो अनुशंसा प्रणालियों (RecSys) में गोपनीयता जोखिमों को मापने की एक नवीन विधि है। RecPS, सदस्यता अनुमान हमलों (MIA) के आधार पर गोपनीयता स्कोर की गणना करके, अंतःक्रिया और उपयोगकर्ता स्तरों पर गोपनीयता जोखिमों को मापता है। विशेष रूप से, RecLiRA, एक अंतःक्रिया-स्तरीय MIA विधि, अत्यधिक सटीक सदस्यता अनुमान प्रदान करती है। RecPS में अंतःक्रिया-स्तरीय स्कोर, विभेदक गोपनीयता की अवधारणा से लिया गया है और इसे उपयोगकर्ता-स्तरीय स्कोर की गणना के लिए विस्तारित किया गया है। प्रायोगिक परिणाम दर्शाते हैं कि RecPS जोखिम मूल्यांकन और RecSys मॉडलों के अप्रशिक्षण के लिए प्रभावी है।

Takeaways, Limitations

•
Takeaways:
◦
RecSys ने गोपनीयता जोखिमों को मात्रात्मक रूप से मापने के लिए एक नई विधि प्रस्तुत की है।
◦
आप बातचीत और उपयोगकर्ता दोनों स्तरों पर गोपनीयता जोखिमों का आकलन कर सकते हैं।
◦
यह विभेदक गोपनीयता संरक्षण की अवधारणा पर आधारित एक सैद्धांतिक पद्धति है।
◦
हम RecSys मॉडल अनलर्निंग की क्षमता प्रस्तुत करते हैं।
◦
हम RecLiRA का प्रस्ताव करते हैं, जो उच्च गुणवत्ता वाला सदस्यता अनुमान प्रदान करता है।
•
Limitations:
◦
प्रस्तावित विधि के व्यावहारिक अनुप्रयोग के लिए आवश्यक कम्प्यूटेशनल लागत के विश्लेषण का अभाव हो सकता है।
◦
विभिन्न प्रकार के अनुशंसा प्रणाली मॉडल और डेटासेट के सामान्यीकरण प्रदर्शन पर आगे अनुसंधान की आवश्यकता है।
◦
RecLiRA का प्रदर्शन कुछ डेटासेट या मॉडल के प्रति पक्षपाती हो सकता है।
◦
वास्तविक सेवा वातावरण में अनुप्रयोग और प्रभावशीलता का अतिरिक्त सत्यापन आवश्यक है।
👍
Made with Slashpage