【摘 要】
:
随着互联网和移动终端设备的快速发展,越来越多的用户数据被推荐系统用来提高推荐的性能,准确性和多样性成为衡量推荐效果的两个重要指标。然而,这两个指标是相互冲突的,很难同时优化两者。一个通用的做法就是应用多目标进化算法,以平衡两个目标间的冲突。但多目标推荐过程中,用户需要将自己的原始数据发送给不可信的第三方服务器,这会造成严重的隐私泄露。差分隐私是近些年来非常流行的推荐系统隐私保护方法,但目前缺少多目
论文部分内容阅读
随着互联网和移动终端设备的快速发展,越来越多的用户数据被推荐系统用来提高推荐的性能,准确性和多样性成为衡量推荐效果的两个重要指标。然而,这两个指标是相互冲突的,很难同时优化两者。一个通用的做法就是应用多目标进化算法,以平衡两个目标间的冲突。但多目标推荐过程中,用户需要将自己的原始数据发送给不可信的第三方服务器,这会造成严重的隐私泄露。差分隐私是近些年来非常流行的推荐系统隐私保护方法,但目前缺少多目标推荐系统的差分隐私保护方案。为此,本文围绕本地化差分隐私保护的多目标推荐算法展开研究,主要研究内容如下:(1)将本地化差分隐私(Local Differential Privacy,LDP)引入多目标推荐中,提出LDP保护的多目标推荐算法(PEPPS)。算法包含两个步骤,第一步,用户端使用随机响应机制扰乱评分数据并提交系统,以保护个体的敏感信息。第二步,在服务器端本文结合无偏估计设计了双重的概率传播算法(BiProbS)进行排序推荐以降低效用损失;并使用NSGA-II算法来优化推荐准确性和多样性两个目标,最终返回给每个用户多组推荐结果。PEPPS使用LDP保证第三方服务器不可信时用户隐私也不会泄露并且本文在理论方面证明了该算法的隐私安全性。实验结果可以看出,该算法能够让推荐准确性和多样性处于非支配关系,解决了两者的冲突,同时有效保护用户的隐私安全。(2)设计一种多目标推荐的个性化差分隐私保护算法,用于解决PEPPS算法中所有用户使用相同隐私预算进行随机响应这一弊端。在用户端,每个个体可以根据自身隐私保护需求选择隐私预算进行随机响应,实现个性化的隐私保护。然后个体将扰动的数据发送给服务器,而服务器接收到所有的扰动数据后进行项目评分预估和多目标优化。多目标优化阶段中,服务器计算准确性目标函数时会对用户群进行分组并计算每一分组中0和1的占比。然后为每个组群设置最优权重,最后聚合每个组群的0和1占比以实现效用损失的最小化。结合差分隐私性质,从理论的角度证明了该算法的隐私安全性。实验结果表明,该算法能得到一组处于非支配关系的解,同时实现了个性化隐私保护。
其他文献
基于卷积神经网络(convolutional neural network,CNN)的深度学习(deep learning,DL)方法发展迅速,在计算机视觉、语音识别和自然语言处理等领域取得了很多成功的应用,尤其是在图像分类和目标检测等方面,相比传统的机器学习方法,深度学习往往有着更加出色的性能。这是因为深度学习具有更多的参数和巨大的模型加持。但是,深度神经网络(deep neural netwo
随着信息科技的飞速发展,摄像机得到大规模使用,视频监控系统在人们的日常生活中日益普及。在早先的视频监控中,摄像头采集到的图像数据大多是离散的,摄像机之间存在信息无法融合等问题。基于深度学习的目标检测与追踪则可以准确地反馈目标的坐标位置和目标运动范围,其在视频监控领域里有较好的应用前景。另外,一般视频监控的数据上传到数据中心缓存、分析和处理,传输过程需要耗费巨大的通信成本。鉴于此,本文提出基于边缘计
近年来随着自动语音识别技术(ASR)水平的不断提高,在会议、教学以及车载语音等领域被广泛的应用。语音经过ASR转写会变成一串中文字符,但是这串中文字符并没有标点符号。这样的文本不便于读者的阅读,并且会对ASR后处理的其他任务(文本匹配,情感分析以及文本分类等)造成不好的影响。因此标点预测算法是ASR后处理技术中必不可少的。标点预测可以为没有标点的文本加上标点,增强文本的可读性。近年来,随着基于文本
作为一种新型的软件架构风格,微服务以其可维护性高、可伸缩性强和发布周期短等优点受到了越来越多研究人员的关注和公司的应用。然而,微服务给软件项目带来优势的同时,也在应用过程中迎来了相关挑战,这些挑战主要分为技术和开发组织两方面。本文将主要聚焦于解决开发组织方面的挑战,目标是明确微服务的应用对开发组织带来了哪些影响,公司如何确定其开发组织是否适应微服务开发以及如何对开发组织进行调整以提高对微服务的适应
显著性目标检测就是从图像数据中找出最吸引人的部分,这部分区域被称为显著性区域。当下的一些显著性目标检测算法对于特征信息的利用不充分,使得最终训练得到的模型在鲁棒性和泛化能力方面较差。许多显著性算法都是针对可见光图像的,但是当可见光图像受到阴霾、光照等因素影响的时候,使用热红外图像效果可能更好。考虑到热红外相机在这些因素下受到的影响相对较小,本文针对RGB-T图像进行显著性检测研究,通过结合可见光图
指静脉识别技术凭借其采集方便、安全性高、实时性好、活体检测等优点受到国内外研究团队广泛关注。近年来,指静脉识别领域已经取得了阶段性进展,但在实际应用时,仍遇到了许多问题:(1)受采集技术和采集装置的制约,所捕获的指静脉图像噪声多、清晰度差、对比度低、存在小范围的位移和旋转、类内样本图像之间差异较大;(2)传统指静脉图像特征提取算法对图像质量要求高,对光照变化和位移旋转敏感。因此,本文围绕指静脉图像
近些年,基于单目图像的三维人体关节点估计引起学者们的广泛关注,可应用于视频监控、行为识别、三维建模、人机交互等多个领域。但是其存在较多的研究难点,例如输入图像的暗光、模糊、遮挡,以及由二维数据重建三维结构的歧义性问题等。因此,本文研究由单目序列图像估计中间帧三维人体关节点的方法,主要包括两个阶段:首先利用二维人体关节点估计算法预测序列图像的二维人体关节点位置,然后以此作为输入数据回归中间帧的三维人
人脸检索旨在从人脸图像数据库中找到与查询图像最为相似的人脸图像,是计算机视觉领域广受关注的课题之一。随着移动互联网的发展,人脸图像规模呈指数级上升,这对人脸检索的存储空间和检索时间有着很高的要求。由于哈希码存储空间小、检索时间快,研究人员将哈希技术用于人脸信息存储和检索工作。但由于人脸图像受光照、表情、视角、年龄等多种因素影响,难以获得“类内高内聚,类间高可分”的哈希编码。本文针对此问题,给出两种
在智能交通管理中,对于车辆的身份识别离不开车牌检测技术的支撑,目前基于深度学习的车牌检测研究已经日臻完善,但是对于大型车辆而言,容易受监控视角和车身污渍等影响导致车牌检测算法难以获得车辆身份信息。根据道路安全法的相关规定,大型车辆需要在车尾区域喷涂非标车牌,于是本文通过研究非标车牌检测来解决上述问题。与标准车牌相比,非标车牌存在字符间隔大、成像质量差和背景复杂等挑战,加大了非标车牌检测任务的难度。
近些年来深度学习发展迅速,在不同领域都有着广泛的应用,尤其是图像分类方面效果显著,其中基于深度学习方法挖掘图像的显著性特征,在此基础上训练网络分类模型是其关键步骤之一。卷积神经网络(Convolutional Neural Network,简称CNN)是当前深度学习研究中最有效和常用的技术之一,可以自动进行图像特征的抽取,其参数共享和连接稀疏性的机制相比传统的神经网络不仅参数更少,效果也更加显著,