联邦推荐
文章平均质量分 95
编程╱小白╲
这个作者很懒,什么都没留下…
展开
-
FedNCF: Federated Neural Collaborative Filtering for Privacy-preserving Recommender System
介绍了GDPR推出了数据隐私新规定,为了解决用户的隐私安全问题,使用联邦学习是很有必要的。虽然联邦学习能够不收集用户的隐私,但是从用户上传的梯度或者参数推断用户私人信息,所以本文使用差分隐私对上传数据进行加密。联合推荐已有部分学者研究,但大多都是基于矩阵分解(MF),但联邦神经推荐系统研究十分有限,神经网络能够提高推荐质量,本文使用神经协同过滤(NCF)作为基础模型,提出基于联邦学习的联邦神经协同过滤(FedNCF)。此外为了提高差分隐私的效用,本文提出了一个自适应差分隐私方法。原创 2024-04-19 09:20:23 · 1625 阅读 · 0 评论 -
FedFast: Going Beyond Average for Faster Training of Federated Recommender Systems | 超越FedAvg的联邦推荐算法
问题现状:大多数已经存在的FL都集中于隐私和准确率上,但是在训练FL时会导致用户性能下降和过多的通信成本,所以给推荐者的推荐系统不仅要准确,还要更快。本文的目的就是开发一个更快更准确的RS。贡献::本文提出了FedFast算法,能够加快收敛并且保证准确率,其中算法有两个新颖的组件ActvSAMP和ActvAGG分别用来更好的选择用户和更智能的聚合训练模型。范围:本文扩展了FedAvg模型,并结合了GMF模型使得原文本的FedGMF更快的收敛。并且与集中训练的GMF和BPR模型有一定的竞争力。原创 2022-10-24 16:09:47 · 519 阅读 · 1 评论 -
FedNCF:Federated Neural Collaborative Filtering | 联邦神经协同过滤
在这项工作中,我们提出了最先进的神经协同过滤(NCF)方法的联邦版本,用于物品推荐。该算法名为FedNCF,无需用户暴露或传输原始数据就能进行训练。数据本地化既保护了数据隐私,又符合GDPR等法规。尽管联邦学习可以在不传播本地数据的情况下进行模型训练,但原始客户端更新的传输会引发额外的隐私问题。为了应对这一挑战,我们引入了一种保护隐私的聚合方法,它可以满足用户的安全需求。我们从理论上和实验上论证了现有的聚合算法与潜在因子模型的更新不一致。原创 2022-10-22 09:30:07 · 979 阅读 · 0 评论