通过用户许可的联合推荐系统（UC-FedRec），我们提出了一种能够灵活满足用户不同隐私需求的推荐系统，以最小的推荐准确度代价实现用户的隐私保护。在不同的真实数据集上进行的实验表明，我们的框架相比基线更加高效和灵活。

Dec, 2023

本文提出了一种基于联邦学习的隐私保护新闻推荐模型训练方法，将用户行为数据存储在本地设备上并使用局部差分隐私 (LDP) 技术保护用户信息，采用多个用户设备上传模型的局部渐变并通过聚合全局模型进行模型训练，实验证明该方法能有效训练一种具有隐私保护功能的新闻推荐模型。

Mar, 2020

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

FedFNN 是一种用于加速分布式模型训练的算法，通过在样本集中使用未采样用户的权重更新，从而在保持或提高准确性的同时，实现比其他方法快 5 倍的训练速度，且在客户端群集变化的情况下表现一致，在可用性有限的情景中优于其他方法，更快地收敛。

Sep, 2023

本研究提出了 DGREC，一种新的分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。

Aug, 2023

本文提出了一种新的个性化联邦推荐 (PFedRec) 框架，基于轻量级模型在智能设备上部署用户特定模型，同时提出了一种新的双重个性化机制来实现对用户和项目的细粒度个性化学习，该学习过程被统一到一个联邦优化框架中。实验结果表明，PFedRec 框架和双重个性化机制是有效的，并为联邦推荐过程中的个性化技术提供了更深层次的探讨。

Jan, 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

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

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

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