差分プライバシーを用いた効果的なフェデレーテッド推薦フレームワーク

本論文では、ユーザーのプライバシーを保護しながら推薦の精度を損なわない差分プライバシーを統合した新しいフェデレーテッド推薦フレームワークを提案します。従来の推薦システムがユーザーデータを集中管理し、プライバシーの侵害の可能性を孕むのとは異なり、私たちのフレームワークはユーザーデータをローカルデバイス上に保持します。生のデータを交換することなく、複数のデバイスでグローバルモデルを訓練するフェデレーテッド学習アプローチを活用しています。プライバシー保護を強化するために、集約データの更新に慎重に調整された雑音を加える特別設計の差分プライバシーアルゴリズムを統合します。このメカニズムにより、グローバルモデルが個々のユーザー情報を推測するために悪用されることはありません。私たちのフレームワークをeコマース分野とマルチメディアコンテンツ推薦分野の二つの実世界データセットで評価した結果、従来の集中型アプローチと比較して競争力のある推薦精度を達成し、精度と再現率の指標のわずかな損失でユーザーのプライバシーを大幅に強化することができました。私たちの研究は、プライバシーとパフォーマンスの間で選択せずに推薦システムを構築する実現可能性を示し、敏感な領域におけるより倫理的なAIアプリケーションの道を拓きます。