Randomized algorithms for precise measurement of differentially-private, personalized recommendations

要約

パーソナライズされたレコメンデーションは、今日のインターネット エコシステムの重要な部分を形成し、アーティストやクリエイターが興味のあるユーザーにリーチできるようにし、ユーザーが新しくて魅力的なコンテンツを発見できるように支援します。
しかし、今日の多くのユーザーは、歴史的に個人データとデータプライバシーが不注意に扱われてきたこともあり、個人向けに推奨事項を提供するプラットフォームに懐疑的です。
現在、パーソナライズされたレコメンデーションに依存する企業は、プライバシーを最優先するためにシステムの多くを全面的に見直す必要がある新しいパラダイムに入りつつあります。
この記事では、正確な測定と差分プライベート測定の両方を容易にする、パーソナライズされた推奨事項のアルゴリズムを提案します。
私たちは広告をアプリケーション例として検討し、提案されたプライバシー保護アルゴリズムが、(プライベート) 非パーソナライズと非パーソナライズの両方の極端な場合と比較して、ユーザー エクスペリエンス、広告主の価値、プラットフォーム収益に関連する主要な指標にどのような影響を与えるかを定量化するためにオフライン実験を実施します。
プライベートでパーソナライズされた実装。

要約(オリジナル)

Personalized recommendations form an important part of today’s internet ecosystem, helping artists and creators to reach interested users, and helping users to discover new and engaging content. However, many users today are skeptical of platforms that personalize recommendations, in part due to historically careless treatment of personal data and data privacy. Now, businesses that rely on personalized recommendations are entering a new paradigm, where many of their systems must be overhauled to be privacy-first. In this article, we propose an algorithm for personalized recommendations that facilitates both precise and differentially-private measurement. We consider advertising as an example application, and conduct offline experiments to quantify how the proposed privacy-preserving algorithm affects key metrics related to user experience, advertiser value, and platform revenue compared to the extremes of both (private) non-personalized and non-private, personalized implementations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google