本篇论文提出了一种有效的联邦学习框架，用于保护隐私的新闻推荐，通过在服务器上维护一个大的新闻模型和在服务器和客户端共享的轻量级用户模型来分解新闻推荐模型，实现了客户端的计算和通信成本的降低，并通过隐私保护的安全聚合方法对梯度进行聚合。

Sep, 2021

我们提出了一种新的联邦学习方法，以保护敏感数据领域（如医学或银行业）中的用户隐私，同时用于推荐系统，不提取原始数据、用户统计数据或个人偏好信息，通过构建一组原型，推断全局行为模式，提供差分隐私保证，并实现局部模型的本地适应，取得了远优于传统中心计算模型、准确度高且具备可证明隐私保障的推荐效果。

Mar, 2020

提出了一种基于分散联邦学习环境的 DNN 推荐模型 PrivRec，该模型不会泄露用户数据并且具有不同的隐私保护级别。

Apr, 2021

本文介绍了一个基于随机梯度方法的联邦协作过滤模型，并将其应用于用户推荐系统，旨在提高用户隐私保护，且实验表明，在联邦实现中，相较于标准实现而言，推荐系统的性能并未降低。

Jan, 2019

本文研究基于联邦学习的隐私保护问题，提出了一种局部差分隐私机制，以解决当前机制存在的噪声数据接近原始值、估计平均数的方差过大和深度学习模型权重维数高导致隐私预算过大的问题。实验结果表明，该机制不仅具有优异的深度学习性能，而且能够提供强大的隐私保证。

Jul, 2020

我们提出了一个实用的联邦推荐系统，用于隐式数据下的用户级本地差分隐私，包括代理网络来减少用户跟踪表面。我们在 Movielens 数据集上进行实证研究，并在保护用户隐私的同时，实现了高命中率。

May, 2021

本研究提出了一种基于联邦学习的电影推荐系统，采用新颖的联邦学习方案 FedQ, 通过量化和压缩阶段来保护隐私和减少通信开销，从而创建出同时保护隐私和提供个性化推荐的学习模型。

Mar, 2023

本文提出了一种隐私保护的图神经网络推荐模型，该模型采用联邦学习的方式对分散的用户数据进行训练，并采用本地差分隐私技术对用户隐私进行保护，同时通过用户 - 物品图扩展方法拓展本地用户 - 物品图来增强推荐效果，并在六个基准数据集上进行了广泛实验验证。

Feb, 2021

研究分布式机器学习系统，并基于修正的随机优化算法实现私人级联学习，在保证局部模型私密性的同时，与全局模型进行协调，提升了准确性和隐私保护的平衡。

Feb, 2022

本文研究在联邦学习中，使用差分隐私和社区驱动方法来保障本地数据隐私，识别了一个安全漏洞并设计了两种攻击模式，Adversarial Mode 和 Backdoor Mode，实验结果表明这些攻击是有效的。

May, 2023