sinat_38007523的博客

摘要基于会话的推荐（SBR）最近受到了极大的关注，因为它能够提供个性化的建议的基础上的匿名会话用户的交互序列。SBR面临的挑战主要包括如何利用当前会话以外的信息，以及如何减少会话数据中无关信息对预测的负面影响。为了解决这些挑战，我们提出了一种新的基于图注意力网络的模型，称为多稀疏图注意力网络（MSGAT）。MSGAT利用两个并行通道对会话内和会话间信息进行建模。在会话内通道中，我们利用门控图神经网络执行初始编码，然后通过自注意机制生成目标表示。然后基于目标表示对全局表示进行降噪。

为了解决这些问题，在本文中，我们提出了一个安全的模型对比联邦学习与改进的压缩感知（MCFL-CS）计划，对比学习的动机。此外，我们进行了广泛的实验，使用五个基准数据集下的非IID设置，以证明我们的计划大大优于其他国家的最先进的FL方法在模型的准确性，通信成本，本地时代的数量，可扩展性，异构性和隐私预算。我们基于我们设计的局部网络结构、改进的压缩感知方法和局部差分隐私[7]，提出了一种安全、高效、高精度的隐私保护FL框架，不仅保护了所有客户端的隐私，而且提高了非IID设置下的模型精度，大大降低了通信开销。