本研究提出一种基于矩阵分解的安全联邦学习框架,称为 FedMF,利用同态加密技术实现了对上传信息的加密保护,从而解决联邦学习中梯度泄露的问题,并证明了其可行性。
Jun, 2019
本研究的重点是在数据隐私保护方面,在联邦学习框架下的推荐系统中,提出了一种新的基于同态加密的隐私保护框架,并对这个框架进行了细致地分析和测试。
Sep, 2022
本文提出了一种名为 FedMMF 的新型联邦推荐方法,通过使用来自本地数据的个性化掩码来保护数据隐私,同时不降低效率和准确性,实现了推荐系统中隐私保护和个性化要求的同时满足。
Aug, 2021
本文描述了水平联邦学习、垂直联邦学习和传输联邦学习等典型类型的联邦学习的隐私威胁和对策。
Feb, 2024
本文综述了联邦学习在推荐系统中的应用,探讨了隐私机制、聚合策略、异构问题和通信成本等方面面临的挑战和解决方案,同时介绍了相关开源平台,并提出了未来研究方向。
Dec, 2022
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
提出了一种使用联邦学习框架的多视图矩阵分解方法,旨在学习多视图模型且无需将用户的个人数据传输到中央服务器。在三个生产数据集上进行了实证验证,结果表明这种方法在联邦推荐任务的冷启动预测方面表现优于不考虑数据多视图结构的简单方法,同时证明了该方法对复杂的预测任务的有用性。
Apr, 2020
提出一种新的算法,通过训练不同客户端的深度矩阵因式分解模型并仅共享物品向量来预测用户属性,从而解决用户属性预测中的一些重要隐私问题。
Dec, 2023
分布式学习框架 - 联邦学习增强了个人数据隐私保护,允许协作研究且无需共享敏感数据;通过多源信息合作,提供更多种类的洞察力。本文是对隐私保护机器学习的系统性文献综述,通过 PRISMA 指南对近年来得出的有关联邦学习的监督 / 非监督机器学习算法、集成方法、元启发式方法、区块链技术和强化学习,以及联邦学习应用进行了广泛回顾。旨在为研究人员和实践者提供从机器学习角度对联邦学习的全面概述,并提供了一些开放问题和未来研究方向的讨论。
Nov, 2023