Buchumschlag

Privacy-preserving recommender system using the data collaboration analysis for distributed datasets

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yanagi, Tomoya, Ikeda, Shunnosuke, Sukegawa, Noriyoshi, Takano, Yuichi
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Information Retrieval Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Robust portfolio optimization for recommender systems considering uncertainty of estimated statistics
von: Yanagi, Tomoya, et al.
Veröffentlicht: (2024)

Randomized algorithms for precise measurement of differentially-private, personalized recommendations
von: Laro, Allegra, et al.
Veröffentlicht: (2023)

Preserving Privacy and Utility in LLM-Based Product Recommendations
von: Khezresmaeilzadeh, Tina, et al.
Veröffentlicht: (2025)

Auditing Privacy in Multi-Tenant RAG under Account Collusion
von: Burnat, Florian A. D.
Veröffentlicht: (2026)

A Privacy Preserving System for Movie Recommendations Using Federated Learning
von: Neumann, David, et al.
Veröffentlicht: (2023)

Towards Differential Privacy in Sequential Recommendation: A Noisy Graph Neural Network Approach
von: Hu, Wentao, et al.
Veröffentlicht: (2023)

FedPDD: A Privacy-preserving Double Distillation Framework for Cross-silo Federated Recommendation
von: Wan, Sheng, et al.
Veröffentlicht: (2023)

Multi-Resolution Diffusion for Privacy-Sensitive Recommender Systems
von: Lilienthal, Derek, et al.
Veröffentlicht: (2023)

Multi-granular Adversarial Attacks against Black-box Neural Ranking Models
von: Liu, Yu-An, et al.
Veröffentlicht: (2024)

LazyDP: Co-Designing Algorithm-Software for Scalable Training of Differentially Private Recommendation Models
von: Lim, Juntaek, et al.
Veröffentlicht: (2024)

Adversarial Attacks to Multi-Modal Models
von: Dou, Zhihao, et al.
Veröffentlicht: (2024)

Manipulating Recommender Systems: A Survey of Poisoning Attacks and Countermeasures
von: Nguyen, Thanh Toan, et al.
Veröffentlicht: (2024)

How to Forget Clients in Federated Online Learning to Rank?
von: Wang, Shuyi, et al.
Veröffentlicht: (2024)

Poisoning Federated Recommender Systems with Fake Users
von: Yin, Ming, et al.
Veröffentlicht: (2024)

HGAttack: Transferable Heterogeneous Graph Adversarial Attack
von: Zhao, He, et al.
Veröffentlicht: (2024)

Few-shot Model Extraction Attacks against Sequential Recommender Systems
von: Zhang, Hui, et al.
Veröffentlicht: (2024)

Effective and secure federated online learning to rank
von: Wang, Shuyi
Veröffentlicht: (2024)

Watermarking Recommender Systems
von: Zhang, Sixiao, et al.
Veröffentlicht: (2024)

AgentPoison: Red-teaming LLM Agents via Poisoning Memory or Knowledge Bases
von: Chen, Zhaorun, et al.
Veröffentlicht: (2024)

Differentially Private Graph Diffusion with Applications in Personalized PageRanks
von: Wei, Rongzhe, et al.
Veröffentlicht: (2024)

AI-Driven Guided Response for Security Operation Centers with Microsoft Copilot for Security
von: Freitas, Scott, et al.
Veröffentlicht: (2024)

POST: Email Archival, Processing and Flagging Stack for Incident Responders
von: Fairbanks, Jeffrey
Veröffentlicht: (2024)

DM4Steal: Diffusion Model For Link Stealing Attack On Graph Neural Networks
von: Chen, Jinyin, et al.
Veröffentlicht: (2024)

Tackling Data Heterogeneity in Federated Time Series Forecasting
von: Yuan, Wei, et al.
Veröffentlicht: (2024)

Training Differentially Private Ad Prediction Models with Semi-Sensitive Features
von: Chua, Lynn, et al.
Veröffentlicht: (2024)

Practical Poisoning Attacks against Retrieval-Augmented Generation
von: Zhang, Baolei, et al.
Veröffentlicht: (2025)

Unveiling Vulnerabilities of Contrastive Recommender Systems to Poisoning Attacks
von: Wang, Zongwei, et al.
Veröffentlicht: (2023)

Secure Retrieval-Augmented Generation against Poisoning Attacks
von: Cheng, Zirui, et al.
Veröffentlicht: (2025)

Safe machine learning model release from Trusted Research Environments: The SACRO-ML package
von: Smith, Jim, et al.
Veröffentlicht: (2022)

Benchmarking Poisoning Attacks against Retrieval-Augmented Generation
von: Zhang, Baolei, et al.
Veröffentlicht: (2025)

Retrieval Pivot Attacks in Hybrid RAG: Measuring and Mitigating Amplified Leakage from Vector Seeds to Graph Expansion
von: Thornton, Scott
Veröffentlicht: (2026)

Poisoning Deep Learning Based Recommender Model in Federated Learning Scenarios
von: Rong, Dazhong, et al.
Veröffentlicht: (2022)

Traceback of Poisoning Attacks to Retrieval-Augmented Generation
von: Zhang, Baolei, et al.
Veröffentlicht: (2025)

Differentially Private Datastore Generation for Retrieval-Augmented Inference
von: Abouelenein, Abdelrahman, et al.
Veröffentlicht: (2026)

Who Taught the Lie? Responsibility Attribution for Poisoned Knowledge in Retrieval-Augmented Generation
von: Zhang, Baolei, et al.
Veröffentlicht: (2025)

Words Blending Boxes. Obfuscating Queries in Information Retrieval using Differential Privacy
von: De Faveri, Francesco Luigi, et al.
Veröffentlicht: (2024)

Privacy at Scale: Introducing the PrivaSeer Corpus of Web Privacy Policies
von: Srinath, Mukund, et al.
Veröffentlicht: (2020)

EmojiPrompt: Generative Prompt Obfuscation for Privacy-Preserving Communication with Cloud-based LLMs
von: Lin, Sam, et al.
Veröffentlicht: (2024)

Adversarial Text Rewriting for Text-aware Recommender Systems
von: Oh, Sejoon, et al.
Veröffentlicht: (2024)

When the Server Steps In: Calibrated Updates for Fair Federated Learning
von: Yu, Tianrun, et al.
Veröffentlicht: (2026)