推荐系统中的安全问题
《A NOVEL PRIVACY-PRESERVED RECOMMENDER SYSTEM FRAMEWORK BASED ON FEDERATED LEARNING》论文阅读笔记
推荐系统：解决信息过载的问题。RS需要收集用户个性化信息和行为，从而得到用户的喜好。
存在问题：集中收集的数据对隐私敏感，任何泄漏都可能给用户和服务提供商带来严重问题。
推荐系统中的隐私威胁：
（1） 内部威胁：好奇或者不诚实的服务提供者；
（2） 外部威胁：黑客攻击。
隐私泄露的案例：
（1）2015年5月，eBay遭到黑客攻击，导致1.45亿个用户帐户被泄露，包括用户名、地址、出生数据和帐户密码；
（2）2018年3月，Facebook泄露了数千万用户的个人信息。
本文：提出一个隐私保护推荐系统框架（PPRSF），使用联邦学习，在不集中用户隐私数据的情况下，进行训练和推断。不仅能够降低隐私泄露的风险，而且可以应用各种推荐算法。
中心跨设备FL：一个中心服务器和多个终端设备。允许每一个成员在本地根据自己的环境训练模型，在中心服务器聚合本地模型参数，最终将得到的全局模型返回给各个成员。
基础知识：
联邦学习（FL）：在保证数据安全和用户隐私的前提下，将孤立的数据连接起来，从而为训练准确、健壮的机器学习模型提供了可能。是一个学习框架，拥有不同数据的多个参与者（移动设备、组织）协作完成特定的机器学习任务。