Dynamic Parameters-Based Reversible Data Transform (RDT) Algorithm in Recommendation System
Notice bibliographique
Résumé
The protection and processing of the sensitive data in recommendation system are the major concern. Existing literature, used homomorphic encryption (HE), Reversible Data Transform (RDT), differential privacy (DP) and many more schemes to protect user information. Existing RDT scheme require prior sharing of the parameters and an alternative mechanism e.g., Shamir Threshold Protocol or Diffie-hellman algorithm are used to protect the sharing parameters. In this paper, we proposed a chaotic based RDT approach for privacy-preserving data mining (PPDM) in recommendation system. Using this approach, RDT parameter values will be generated locally and because of this, prior sharing of the parameter values for the recovery process will not be necessary. This approach can be used as an alternative to the standard-RDT algorithm where bandwidth and memory are considered important factors. Our results on the Iris data set clearly show that the proposed chaotic RDT shows similar results as standard-RDT. Secondly, in this paper, we explore the usage of the RDT algorithm on real app usage records in the mobile app recommendation (MAR) domain. Thirdly, we tested the application of the RDT algorithm for the standard MovieLens dataset to ensure the validity of results because app usage dataset is publicly not available. Our results show that the proposed RDT algorithm can replace HE if an adaptive recommendation approach is used. Similarly, we can safely use the RDT approach to any data including user rating, health data or app usage frequency to ensure user privacy before delivering it to the recommender-server.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».