《Federated Neural Collaborative Filtering》论文阅读笔记
发表在2021,SIGIR
1. 背景:
推荐系统能够收集用户的不同特征,如地理位置,评分,与特定物品的交互,目标是根据近期用户的交互行为预测未来的喜好。传统的推荐系统中,用户的喜好及学习到的用户特征都与可能泄露敏感信息,因此,需要设计一个鲁棒性的推荐系统。联邦学习目前已在业界和学术界受到广泛关注,但是,(1)机器学习技术在联邦推荐系统的背景下仍有待开发;(2)隐私信息还是有可能泄露。
2. 本文:
FedNCF首个将NCF扩展到FL场景下的方法,各个参与者在模型训练的过程中在本地计算自己的模型,然后只将计算的权重上传给中心。
3. 具体:
-
服务器端有两部分:用户选择和聚合函数。
(1) 任务描述,通知各个参与者需要的模型超参数;
(2) 当前的全局超参数;
(3) 在聚合之前需要选择的参与者个数C。 -
本地模型更新:权重包含三种类型:
(1) 用户特征的权重;
(2) 项目特征的权重;
(3) 神