联邦学习论文阅读：Federated meta-learning for recommendation

最新推荐文章于 2024-11-02 12:16:59 发布
最新推荐文章于 2024-11-02 12:16:59 发布
阅读量4.5k 收藏 7
点赞数 1
分类专栏： 联邦学习 文章标签： 联邦学习 论文阅读
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/thormas1996/article/details/88944324
版权
本文介绍了华为诺亚方舟实验室2018年的研究，探讨如何使用联邦学习和元学习来应对推荐系统中的数据稀疏问题，同时保护用户隐私。文章提出将元学习应用于联邦学习框架，但并未展示显著的创新点，主要思路是结合两者以优化模型初始化权重。实验部分未详述。
摘要由CSDN通过智能技术生成

2018年Huawei Noah’s Ark Lab的文章Federated meta-learning for recommendation的阅读笔记

想法
用元学习的方法解决少数据的问题，并用差分隐私保护用户的隐私性

这篇文章作者声称有两点创新，一是meta-learning在算法层面，二是用联邦学习保护用户隐私。但文章中的算法A与之前工作没有任何区别，都是模型的初始化权重，也就是meta-learner。总的来说，就是将meta-learning与federated learning相结合，也是现在大部分联邦学习文章的思路，并无什么创新的地方。

框架
在这里插入图片描述
首先服务器有一个算法A，也即meta-learning中的meta-learner，模型的初始化权重。第一步服务器将A传给每个用户
第二步用户将自己的数据分为两部分，support dataset和test dataset。通过support dataset训练出一个模型 θ {\theta}

最低0.47元/天 解锁文章
MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection 走读
weixin_42453761的博客
06-05 703
摘要 推荐系统经常面对包含高度个性化的用户历史数据的异构数据集，在这些数据集中，没有哪个模型可以为每个用户提供最佳建议。我们在公共和私有数据集上都观察到了这种普遍存在的现象，并在追求优化每个用户的推荐质量的过程中解决了模型选择问题。我们提出了一个元学习框架，以促进推荐系统中对用户类型的自适应模型选择。在此框架中，将使用来自所有用户的数据来训练推荐系统集合，然后通过元学习对模型选择器进行训练，以使用用户特定的历史数据为每个用户选择最佳的单个模型。我们在两个公共数据集和一个真实世界的生产数据集上进行了广泛的实验
联邦元学习（Federated meta learning）学习笔记
日拱一卒，功不唐捐。
08-17 6766
介绍联邦学习、元学习、联邦元学习以及他们的必要性、原理、方法、例子等内容
Federated Meta-Learning for Fraudulent Credit Card Detection
weixin_42138565的博客
11-12 634
Federated Meta-Learning for Fraudulent Credit Card Detection Introduction Life-long ????不断的用同一个模型做学习，我们期待同一个模型可以同时学会很多技能 Meta ：仍然是不同的任务有不同的模型，期待的是机器可以从过去的经验在训练一个新模型的时候更快更好 Machine Learning：我们可以看做有一个learning algorithm(它是人设计的)，这个learning algorithm把训练资料当作输入，然
【论文阅读】联邦学习开山之作《Communication-Efficient Learning of Deep Networks from Decentralized Data》
最新发布
yigan_Eins的博客
11-02 891
相比于FedSGD，FedAvg能够在非独立同分布数据上更快收敛，在相同通信轮次下，测试集精度更高。在IID（独立同分布）和non-IID（非独立同分布）两种数据分布下进行实验，评估模型在不同数据分布条件下的收敛性和通信效率。文章提出的方法（FedAvg）经过了四个数据集，五个模型的实验，对于不平衡和non-IID的数据集表现良好，具有鲁棒性。探索异步联邦学习方法，减少同步通信的延迟问题，尤其在网络不稳定时保持模型的有效性。2、通信轮次：客户端与服务器通信的次数，评估联邦学习的通信效率。
Vehicular Edge Computing Based Driver Recommendation System Using Federated Learning
qq_42530436的博客
04-28 332
Vehicular Edge Computing Based Driver Recommendation System Using Federated Learning 基于联邦学习的车辆边缘计算驱动推荐系统 论文阅读 摘要：通过历史行车数据的分析，计算驾驶员的驾驶应力及其对不同驾驶行为的影响 使用长短期记忆全卷积网络来预测驾驶员相应的压力水平 建立了压力与驾驶行为之间的关系 开发了推荐司机后续出行的智能推荐系统 为满足人工智能需求，提出的系统架构中利用车辆边缘计算中的联邦学习，它能让路边单元做所有数据计算
【联邦元学习】论文解读：Federated Meta-Learning for Fraudulent Credit Card Detection
BlueBlue
09-03 775
论文：Zheng W, Yan L, Gou C, et al. Federated Meta-Learning for Fraudulent Credit Card Detection[C], Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence Special Track on AI in FinTech. Pages 4654-4660. 2020: 4654-4660. 【
Federated Meta-Learning with Fast Convergence and Efficient Communication论文阅读笔记
LauraXv的博客
03-03 1140
摘要 在移动设备上分布式训练机器学习模型所面对的统计和系统上的挑战是联邦学习现实应用中的瓶颈。本文通过实验说明meta-learning是解决这些问题的自然选择，并且提出了一个联邦元学习的框架FedMeta。和联邦学习相比，联邦元学习只共享meta-learner，而不是一整个模型。作者在LEAF数据集和一个真实的生产数据集上进行了实验。实验结果表明FedMeta更快收敛、需要的通信开销更少，并且相比于FedAvg能取得更高的准确率。同时，FedMeta只共享meta-learner，从而保护了隐私。
CIKM2022推荐系统论文集锦
张小磊的博客
09-22 893
嘿，记得给“机器学习与推荐算法”添加星标第31届信息和知识管理国际会议CIKM2022将于2022年10月17日-21日以混合会议的方式在美国亚特兰大举行。CIKM会议是数据库／数据挖掘／内容检索领域顶级国际会议，也是中国计算机学会规定的CCF B类会议。关于该会议在历年推荐系统论文收录情况请参考下文：CIKM2021推荐系统论文集锦CIKM2020推荐系统论文集合本文主要是从教程以及研究型论文和...
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 6126
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
论文阅读:Personalized Federated Learning:A Meta-Learning Approac
三金samkam的博客
06-02 1443
论文名字 Personalized Federated Learning: A Meta-Learning Approach 来源 年份 2020.10.23 作者 Alireza Fallah, Aryan Mokhtari, Asuman Ozdaglar 核心点 使用meta learning实现联邦学习的个性化（差异...
最新最全论文合集——联邦学习
AI_Conf的博客
01-26 602
AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文：https://www.aminer.cn/topic 论文集地址：https:/.
federated-learning:关于联邦学习的所有内容（论文，教程等）-联邦学习
05-13
联邦学习 Federated Learning Everything about federated learning. Your contribution is highly valued! 关于联邦学习的资料，包括：介绍、综述文章、最新文章、代表工作及其代码、数据集、论文等等。 欢迎一起贡献！ 目录 1. 教程 Tutorial 文字 PPT (AAAI-19) (AAAI-19) 视频 GDPR, Data Shortage and AI (AAAI-19 Invited Talk) 新闻 2019/02/09 谷歌发布全球首个产品级移动端分布式机器学习系统，数千万手机同步训练 2. 相关论文 Related Papers 综述与介绍 Survey And Introduction arXiv 201912 - Advances and Open Problems in Fede
联邦学习白皮书 v2.0.pdf
09-02
联邦学习白皮书 v2.0.pdf
《META KNOWLEDGE CONDENSATION FOR FEDERATED LEARNING》
volcan的博客
09-13 180
作者说，现在的联邦学习都是交换模型参数，但是，这会在服务器和多个客户机之间产生严重的通信负担。于是作者引入了元知识的方式，从分布式客户端中提取元知识，直接上传元知识给服务器，让服务器在云知识上训练就行了。随着训练的进行，训练样本对联邦模型的贡献也会发生变化。因此，坐着引入了一个动态的权重分配机制，使样本能够自适应地对当前的模型更新做出贡献。在组合的元知识上训练模型，而不在不同的客户之间暴露原始数据，可以显著减轻异构问题。
联邦学习（Federated Learning）
热门推荐
培根芝士的专栏
11-26 4万+
联邦学习简介 联邦学习（Federated Learning）是一种新兴的人工智能基础技术，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。 联邦学习的系统构架 以包含两个数据拥有方（即企业 A 和 B）的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。假
简单理解什么叫联邦学习（全）
cryptocxf的博客
09-06 3万+
《Federated Machine Learning：Concept and Applications》 该篇综述《Federated Machine Learning：Concept and Applications》是杨强教授在2019年发表在ACM Transactions on Intelligent Systems and Technology (TIST)上的一篇综述论文，比较全面和系统的介绍了联邦学习的基本概念、分类和一些安全隐私问题等。下面是我个人结合本篇综述理解的一些笔记记录，比较精简，
联邦学习
datacreating的博客
12-02 4885
“联邦学习（Federated Learning）”作为一种加密的分布式机器学习范式，可以使得各方在不披露原始数据的情况下达到共建模型的目的，即在不违反数据隐私保护法规的前提下，连接数据孤岛，建立性能卓越的共有模型。
联邦学习基础介绍
weixin_44458771的博客
09-19 6239
联邦学习（Federated Learning）是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，不需要交换本地数据，仅通过交换模型参数或中间结果来构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡。
【机器学习】联邦学习技术
2301_79181030的博客
08-22 2935
联邦学习是一种分布式机器学习范式，其核心思想是利用分散在各参与方的数据集，通过隐私保护技术融合多方数据信息，协同构建全局模型。在模型训练过程中，各参与方仅交换模型参数、梯度等中间结果，而本地训练数据则不会离开本地，从而大大降低了数据泄露的风险。自治和联合。自治：各参与方在本地使用自己的数据进行模型训练，得到各自的模型参数。联合：各参与方将本地训练的模型参数上传至中心服务器（或采用去中心化方式），中心服务器进行模型参数的聚合与更新，并将更新后的参数分发回各参与方，进行下一轮迭代。
spreadgnn: serverless multi-task federated learning for graph neural network
04-30
spreadgnn是一种无服务器多任务联邦学习方法，针对图神经网络。...总之，spreadgnn在无服务器架构、Federated Averaging、联邦学习架构和GraphSage等方面做出了创新，能够有效地应对多任务联邦学习的挑战。
评论 7
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
>