5篇关于公平性的计算机毕业论文

今天分享的是关于公平性的5篇计算机毕业论文范文, 如果你的论文涉及到公平性等主题,本文能够帮助到你

基于随机模型检验的推荐系统公平性研究

这是一篇关于推荐系统,公平性,反馈循环,流行度偏差,随机模型检验,多样性,群组推荐的论文, 主要内容为随着当今大数据时代信息量的指数级增长,推荐系统作为缓解信息过载的有效途径,在电子商务、社交网站、文娱检索等众多领域都发挥着越来越重要的作用。然而,推荐系统在为人们生活和工作提供便利的同时,诸如“大数据杀熟”、种族歧视、性别歧视等公平性问题层出不穷,公平性对于推荐系统的重要性逐渐被人们所重视,并成为该领域中学术界和工业界的研究热点。针对由反馈循环对系统偏差放大所导致的三类公平性问题,本文基于系统行为发生的概率将一般推荐系统框架建模成离散时间马尔科夫链DTMC(Discrete-time Markov Chains)模型,进行公平性检验,提出公平性增强的改进:(1)将基于流行度偏差和反馈循环的一般推荐系统框架建模成DTMC模型并验证。实验发现,随着反馈循环轮数增加,出现“马太效应”,公平性减弱。本文提出一种随机模型检验引导的流行度公平性增强的推荐系统框架PFERSF(Popularity Fairness Enhanced Recommender System Framework):在一般推荐系统框架回路中增加一个动态的公平性阈值检测过程,监测公平性,并对反馈影响因子进行公平性增强调整以减缓流行度偏差对系统的影响。(2)将基于反馈循环和用户偏好的一般推荐系统框架建模成DTMC模型并验证。实验表明反馈循环会导致推荐发生严重的同质化,推荐性能和用户体验大幅降低,形成“茧房效应”,用户和物品公平性均降低。本文提出一种基于随机模型检验的动态多样性阈值监测框架DTDRSF(Diversity Threshold Detection Recommender System Framework),动态地监测系统推荐的多样性。(3)提升群组推荐公平性核心在于最大化群组的最低满意度。基于反馈循环将一般群组推荐框架建模成DTMC模型并验证。实验发现,反馈循环会使全局满意度虚假地提升,而对应少数派的最低满意度降低,公平性减弱。本文提出一种基于随机模型检验的动态群组公平性阈值监测框架GFTDRSF(Group Fairness Threshold Detection Recommender System Framework),动态地监测系统的群组公平性。本文首次通过随机模型检验的方法对推荐系统的公平性进行研究。由于结合了反馈循环的动态特性,本文提出的改进框架从根本上抑制系统偏差的放大,使推荐公平性显著提升。同时,本文的方法基于推荐系统一般框架建模,与基于特定算法的改进相比,更具一般性和兼容性。

基于知识图谱的推荐系统公平性研究

这是一篇关于推荐系统,知识图谱,公平性,公平表征学习,算法去偏的论文, 主要内容为基于知识图谱的推荐系统从诞生之初就引起了学术界以及工业界研究人员极大的兴趣,这类推荐系统不仅可以很好的解决冷启动问题,还能为企业业务的增长提供可靠的解决方案,我们的社会生活与之密不可分。研究人员在设计和使用这些系统时,需要考虑公平性问题,避免这些系统对某些个人或群体产生歧视,甚至加深已有的歧视。然而本文发现即使没有显式的将受保护的敏感属性信息引入到知识图谱中,推荐系统仍然可以捕捉到这些敏感属性信息,从而产生不公平的推荐结果。现有的大多数去偏方法需要复杂的模型设计或者只能应用于特定的模型,并且只能处理单个敏感属性的公平约束,难以用于多敏感属性的去偏场景。而部分能够进行多敏感属性公平约束的方法只是简单地将单个敏感的过滤器线性组合起来,以完成多敏感属性去偏工作,忽略了敏感属性之间的潜在关联,不能保证所有多敏感属性群体都满足公平约束。除此之外,还有一些方法对输入数据的公平性有特殊要求,难以应用于现实生活中的推荐场景。为了解决上述问题,本文提出了适用于任意基于知识图谱的推荐系统的公平表征学习模型。本文通过引入敏感图来学习敏感属性之间的潜在关系,以灵活适应多敏感属性的公平约束场景。具体来说,给定一个基于知识图谱的推荐模型,首先以受保护的敏感属性作为节点,动态学习敏感属性节点之间的隐藏关系,以此构建敏感图;然后将敏感图的表征与原始的知识图谱的表征融合起来,在不改变原始推荐算法的情况下,引入对抗学习框架来去除利用敏感图以及原始知识图谱生成的用户表征中的敏感属性信息;最后,本文在两个公开真实的推荐数据集上进行了大量的实验,结果表明本文所提出模型可以提升任意基于知识图谱的推荐系统的公平性表现,而且几乎不损失系统的推荐性能。

面向敏感信息的推荐系统公平性与隐私保护研究

这是一篇关于推荐系统,敏感信息,公平性,隐私保护,多角度公平性,帕累托效应,联邦学习的论文, 主要内容为推荐系统在学术研究和应用领域得到了广泛的关注。但是在目前推荐系统中包含着敏感信息,例如用户敏感属性,模型梯度等。面向推荐系统中的敏感信息存在着公平性和隐私保护两类问题。面向敏感信息的推荐系统公平性是由于推荐系统使用了用户和物品的敏感信息而导致对具有不同敏感信息的用户和物品群组之间的公平性问题。面向敏感信息的推荐系统隐私保护是保证整个推荐系统中的数据和模型所携带的敏感信息的安全。推荐系统公平性和隐私保护具有重要的研究和应用价值。目前推荐系统公平性和隐私保护存在一个共性问题,即二者都是对敏感信息进行处理。公平性的目的是使推荐系统不使用敏感信息,隐私保护的目的是保护数据和推荐模型中携带的敏感信息。然而在提高推荐系统公平性和隐私保护时会存在损失推荐准确率的问题。因此如何在提高推荐系统公平性和隐私保护的同时保证推荐系统准确率不下降是本工作的目标。针对目前存在的问题以及推荐系统公平性和隐私性的研究现状,本文提出了以下两种方法。(1)针对面向敏感信息的推荐系统公平性问题,提出一种基于帕累托效应的推荐系统多角度公平性的方法。通过引入对抗正则化器消除用户嵌入中的敏感属性信息,采用基于曝光的负采样策略提高推荐系统的准确率,在一定程度上缓解了帕累托效应。并且,基于曝光的负采样策略在一定程度上解决物品曝光偏差的问题,保证了物品角度的公平性,从而实现了用户、物品的多角度公平性。(2)针对面向敏感信息的推荐系统隐私保护问题,提出一种基于分层加密及特征解耦的联邦推荐系统隐私保护方法,对用户嵌入、物品嵌入和模型梯度三个方面进行隐私保护。基于分层加密的嵌入隐私保护模块通过加入匿名用户和伪项目来对用户嵌入和物品嵌入进行隐私保护,并且匿名用户的加入拓展了用户项目二部图,保证了推荐系统性能。基于特征解耦的模型梯度隐私保护模块通过代理网络将模型梯度和泄露隐私的信息进行解耦,保证了模型梯度的隐私性。

基于Strand Space模型的安全协议形式化分析研究

这是一篇关于安全协议,形式化分析,Strand Space模型,公平性,代理多重签名的论文, 主要内容为随着网络的普及以及电子商务和电子政务的蓬勃兴起，网络安全问题日显突出。安全协议，作为解决安全问题最行之有效的方法，也就变得越来越重要。然而，在复杂的网络环境中，要确保安全协议的正确性却是件很难解决的问题，它已成为一项重要的研究课题。20年来，为了应对这一挑战，科学家们在安全协议分析这一领域投入了大量的精力。在已有的理论和方法中，形式化分析方法的成果较为突出。在各种形式化分析方法中，被普遍认为最有前景的最新研究成果是由Fabrega，Herzog和Guttman三人提出的Strand Space模型。它充分吸收了前人的研究成果，使用一种节点间存在因果关系的有向图来表示协议中主体、入侵者的动作序列，利用证明的方法推导协议的正确性，可以防止状态空间爆炸。它是一种直观、简洁、严格、有效的形式化分析方法。本文深入研究了Strand Space理论，并用该理论分析了若干协议： 1．Yahalom协议。建立了Yahalom协议的Strand Space模型，并进行了深入的讨论； 2．一种传输模型的认证协议。建立了该协议的Strand Space模型，通过分析，发现协议存在漏洞，并构造出了一种攻击方法，最后针对漏洞对协议进行了改进； 3．ISI支付协议。将Strand Space理论运用到电子商务协议公平性的分析中，得到了与其他分析方法一致的结果。此外，本文在基础理论部分对代理多重签名进行了研究，提出了一种增强的代理多重签名方案。