-
公开(公告)号：CN117743690A
公开(公告)日：2024-03-22
申请号：CN202311785735.5
申请日：2023-12-22
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F21/62
Abstract: 本发明涉及一种基于混洗器联邦差分隐私的矩阵分解推荐方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：用户i∈[1，n]在本地通过L(U，V)，在第t∈[1，T]轮用户i求得用户i的隐因子向量#imgabs0#项目隐因子矩阵的梯度#imgabs1#并且选择#imgabs2#中的topk的梯度和以及使用PM扰动，再使用公钥pka加密生成mi∈[1，n]，混洗器获得mi∈[1，n]，填充打乱顺序后得到mi∈[1，nl+v]，最后服务器通过解密无偏估计得到#imgabs3#同时更新得到Vt；如此经过T轮后得到V。本发明具有良好的隐私保护性和模型准确性。
-
公开(公告)号：CN118332596A
公开(公告)日：2024-07-12
申请号：CN202410492605.0
申请日：2024-04-23
Applicant: 重庆邮电大学
IPC: G06F21/62 , H04L9/08 , G06F16/9535 , G06F16/2457
Abstract: 本发明涉及一种基于秘密共享的分布式差分隐私矩阵分解推荐方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：将用户的隐式反馈数据转化成数值为0或1的隐式反馈矩阵；每个用户先进行本地预训练；在每次迭代的开始，推荐服务器将更新过的项目隐因子矩阵H分发给各个用户；每个用户u在本地保存并训练用户隐因子向量wu，计算梯度#imgabs0#对#imgabs1#进行裁剪和扰动，然后执行加法秘密共享算法Shr，每个用户将自己持有的所有份额上传到推荐服务器；推荐服务器聚合从用户收集到的所有Ev得到#imgabs2#最后推荐服务器使用#imgabs3#更新项目隐因子矩阵H；在迭代完成后，推荐服务器将最终的项目隐因子矩阵交付给每个用户，用户u在其设备上计算预测值#imgabs4#(u,j)∈R‑，最后将top‑K的项目推荐给用户u。本发明具有良好的隐私保护性和模型准确性。
-
公开(公告)号：CN118708801A
公开(公告)日：2024-09-27
申请号：CN202410492608.4
申请日：2024-04-23
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F21/62 , G06F17/16 , G06F17/14 , G06N20/00
Abstract: 本发明涉及一种基于项目平均的纵向联邦差分隐私矩阵分解推荐方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：参与方k∈[1,p]，在本地使用拉普拉斯加噪得到#imgabs0#通过目标函数L(U,V,B)，得到#imgabs1#和#imgabs2#并且通过对#imgabs3#和#imgabs4#上加入高斯噪音，得到#imgabs5#参与者k∈[1,p]在本地更新#imgabs6#和#imgabs7#并将所有参与方k∈[1,p]的#imgabs8#发送给服务器更新U；如此经过T轮后得到U，#imgabs9##imgabs10#本发明具有良好的隐私保护性和模型准确性。
-
公开(公告)号：CN118656543A
公开(公告)日：2024-09-17
申请号：CN202410798059.3
申请日：2024-06-20
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F17/16
Abstract: 本发明涉及一种基于差分隐私的因果推断矩阵分解推荐方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：将用户的隐式反馈数据转化成数值为0或1的隐式反馈矩阵；构造目标函数L，基于因果推断下的推荐算法对矩阵Pint、Pcon和矩阵Qint、Qcon求解,存储用户隐因子矩阵Pint和Pcon；将求得的用户隐因子矩阵Qint、Qcon,重新进行随机初始化再代入目标函数L中将目标函数改写为L(Qint|D)和L(Qcon|D)，得到关于项目隐因子矩阵Qint、Qcon的目标函数，使用梯度下降法对隐因子矩阵Qint、Qcon求解，考虑每一个项目隐因子梯度#imgabs0#和#imgabs1#根据不同的隐私预算使用少量Laplace噪声对梯度进行扰动；对目标函数L(Qint|D)和L(Qcon|D)进行梯度下降，得到矩阵#imgabs2#本发明具有良好的隐私保护性和模型准确性。
-
-
-
Search Results
4
records
(took 0.015 seconds)
