PPCDR:Privacy-Preserving Cross-Domain Recommendation with Federated Graph Learning

已于 2024-05-06 10:47:48 修改
阅读量857 收藏 14
点赞数 9
分类专栏： 文献笔记 文章标签： 笔记 推荐算法
于 2024-04-03 19:38:08 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Guozyan/article/details/137355741
版权
PPCDR是一种结合了隐私保护和联邦学习的跨域推荐方法，通过虚拟用户集实现隐私保护，使用图转换模块融合全局和局部用户偏好。在保证用户隐私的同时，通过LDP技术在不同域间共享和聚合信息，进行局部和全局的更新。实验证明，PPCDR在保护用户隐私的同时提高了推荐性能。
摘要由CSDN通过智能技术生成

Privacy-Preserving Cross-Domain Recommendation with Federated Graph Learning

ACM-Changxin Tian, Yuexiang Xie, Xu Chen, Yaliang Li, Wayne Xin Zhao-2024
（仅为方便查看）

思路

CDR越来越受到关注， 但是，日益增长的隐私问题限制了现有的CDR模型的实际应用，因为这些模型都假设全部或部分数据可以在不同的域之间进行访问，目前的方法忽略了多个领域数据的异质性，没有实现CDR的一致性改进。提出PPCDR，主要思想是为给定用户的多个领域之间的全局偏好和特定领域的局部偏好建模，它表征了用户对交互项目的共享和特定领域的偏好。为每个域设计了一个图转换模块，融合全局和局部偏好，并根据本域进行更新（LDP）。

问题公式化

与普通CDR不同的是，域内项目I和交互矩阵R不能直接使用，为保护用户隐私，设置了虚拟用户集U~，与用户集中的用户一一对应，通过这些虚拟用户在共享跨域信息时实施隐私保护。最终通过函数在这里插入图片描述
计算偏好得分，其中只有来自域d的本地数据是直接访问的，并且来自其他域的信息在隐私保护下通过虚拟节点使用。
模型使用分散式联邦学习框架来利用跨

最低0.47元/天 解锁文章
YanYan——
关注
  • 9
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
图隐私论文速递：PGAS: Privacy-preserving graph encryption for accurate constrained shortest distance querie
hfding
11-18 614
作者：gufe_hfding 文章目录论文概要论文主要创新启发与个人想法 论文概要 今天分享的是北理工朱烈煌老师团队2020年最新的图数据隐私保护论文，该论文发表在Information Sciences上，题目是“PGAS: Privacy-preserving graph encryption for accurate constrained shortest distance queries”，这篇论文利用Paillier同态加密算法设计了一个精确的约束最短路径查询隐私保护算法，以实现具有隐私保护的
神经网络的federatedlearning与privacypreserving
禅与计算机程序设计艺术
01-28 856
1.背景介绍 在本文中，我们将探讨神经网络的Federated Learning与Privacy-Preserving技术。这两种技术在现代人工智能领域具有重要的地位，可以帮助我们构建更安全、更私密的机器学习模型。 1. 背景介绍 Federated Learning(联邦学习)是一种分布式机器学习技术，它允许多个客户端(如智能手机、平板电脑等)共同训练一个全局模型。每个客户端都拥有一部分数...
论文笔记：ICML‘21 FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
qq_44452377的博客
09-26 1966
的推荐系统都是在一个中心服务器上集中训练的，并且user-item（用户-物品）交互图数据也集中存放在中心服务器上，这就带来了一个问题：用户和物品的交互数据是高度私密的，这些数据存放在中心服务器上会面临着隐私泄露的风险。，客户端上传的真实物品嵌入梯度里，混入了一些随机抽样的伪交互物品的嵌入梯度，伪交互物品指的是没有与用户交互过的物品，为其随机的生成假的嵌入梯度，通过这样的方法来混淆中心服务器，使之无法分辨出用户到底和那些物品交互过。,在客户端上传本地模型提出之前对梯度进行加噪处理，保护用户隐私。
论文《FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation》阅读
xingzhe123456789000的博客
06-22 632
今天带来清华大学 武楚涵 博士 发表在FL-ICML 2021（ICML 2021 关于联邦学习的workshop）上的论文《FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation》。论文主要面向的问题是在联邦推荐场景下使用GNN无法提取 high-order neighbor 的问题，作者使用一种graph expansion 方法 来提取 高阶邻居 信息。
FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
hehehehejiejie的博客
10-31 274
用户隐私保护的联邦图学习
阅读笔记：FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation
橙子姑娘
12-05 1195
FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation ICML’21 | 隐私保护下的图神经网络推荐系统 (qq.com). 重点是看GNN与联邦学习怎么结合的？？ 1. What does literature study? a. 提出基于GNN的隐私保护联邦推荐框架，在隐私保护下利用高阶user-item交互协同训练GNN模型。 2. What’s the innovation? Past shortco
论文学习笔记3：Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
m0_57180439的博客
07-22 569
异构信息网络（HIN）包含丰富的语义信息，这些信息由元路径（meta-paths）描述，已经成为缓解推荐系统中数据稀疏问题的重要工具。然而，现有的基于HIN的推荐系统通常假设数据是集中存储和训练的。但是，在现实世界中，由于隐私问题，数据往往是分布存储的，这导致HIN中的语义破裂问题，并使集中式HIN推荐系统失效。ps：推荐系统中数据稀疏问题比如现有10000个电影数据和10个观众数据，但这10个观众不一定都看过这10000个电影，并且也不是说看过的电影一定会写评价。
CCF A类会议或期刊----近两年聚类相关论文
Thincor的博客
03-21 5694
会议/期刊 论文 sigmod2021 Fast Density-Peaks Clustering: Multicore-based Parallelization Approach. sigmod2021 SharPer: Sharding Permissioned Blockchains Over Network Clusters. sigmod2021 Dynamic Structural Clustering on Graphs. sigmod2021 On Saving....
2024 推荐系统论文汇总
卢之
01-08 5209
对2024年的 推荐系统论文进行一波收集，给各位初学者和算法大佬作为灵感来源，后续专栏会继续更新论文解读，根据评论不断补充，欢迎大家三连~
给自己复盘的随想录笔记-链表
最新发布
weixin_46321761的博客
08-26 420
1.核心是addAtIndex(int index, int val)；需要判断index,如果大于size,返回；如果
ES6笔记总结：第四天（ES6完结）
m0_71805303的博客
08-24 761
node的模块化：1.CommonJS 规范：Node.js 遵循 CommonJS 模块规范，该规范定义了如何在服务器环境中实现模块化，包括如何定义模块、如何引入和使用模块。2.模块的定义：每个文件都是一个模块，模块内部定义的变量和函数默认情况下是私有的，即它们只在模块内部可用。3.模块的导出：使用 module.exports 或 exports 对象将模块中的变量或函数导出4.模块的引入：使用 require() 函数可以引入 Node.js 中的模块。
[Matsim]Matsim学习笔记-车辆和订单匹配的逻辑
机器学习菜鸟
08-23 254
这个方法体现了在DRT系统中对未计划请求进行调度的逻辑，包括对旧请求的重试和新请求的调度。通过并行处理车辆入口信息的创建，提高了调度过程的效率。matsim扩展包中DRT动态线路的场景是，给定一些车辆、一些订单，进行车辆和订单的匹配，类似滴滴的拼车功能。的方法，它用于调度未计划的DRT（需求响应交通）请求。操作，确保了在调度过程中对已处理的请求进行清理，避免重复调度。
zigbee笔记、十五、组播通信原理
Devlin_的博客
08-25 820
3、组播：在zigbee网络中，模块可以用分组来标记，发送的模块如果发送的组号和网络里面标记接收模块的组号相对应，那么这些模块就可以拿到这些无线数据包（组播通信与广播通信相似，单个发送设备可以同时向多个接收设备发送数据）。4、组标记中，同一个模块定义的一个组编号可以关联多个可用的端点（一个组标记可以使使用多个端点），同一个端点也可以关联多个组编号（即一个模块可以同时是组1和组2的模块，同属于2个组）。，它的作用时去除当前端点所关联的组编号。（也在组头文件中有声明），它的作用是将我们的端点与组关联起来。
数据结构（邓俊辉）学习笔记】优先级队列 08——左式堆：结构
weixin_44399845的博客
08-23 961
学习左式堆的结构
Joplin笔记冲突解决方案
小歆CSDN博客
08-26 56
顶部菜单 工具-》选项-》插件 搜索 Conflict Resolution安装。选择冲突文件，右击 点击Conflict选项出现如下图所示，冲突解决类似git 左右对比。
Privacy-Preserving Machine Learning Using Federated Learning and Secure Aggregation
05-04
Privacy-preserving machine learning is becoming increasingly important in today's world where data privacy is a major concern. Federated learning and secure aggregation are two techniques that can be used to achieve privacy-preserving machine learning. Federated learning is a technique where the machine learning model is trained on data that is distributed across multiple devices or servers. In this technique, the model is sent to the devices or servers, and the devices or servers perform the training locally on their own data. The trained model updates are then sent back to a central server, where they are aggregated to create a new version of the model. The key advantage of federated learning is that the data remains on the devices or servers, which helps to protect the privacy of the data. Secure aggregation is a technique that can be used to protect the privacy of the model updates that are sent to the central server. In this technique, the updates are encrypted before they are sent to the central server. The central server then performs the aggregation operation on the encrypted updates, and the result is sent back to the devices or servers. The devices or servers can then decrypt the result to obtain the updated model. By combining federated learning and secure aggregation, it is possible to achieve privacy-preserving machine learning. This approach allows for the training of machine learning models on sensitive data while protecting the privacy of the data and the model updates.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值