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

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

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

FedRec + 是一个用于增强隐私保护和解决异构性挑战的 Federated Recommendation Systems（FRS）集成框架，通过基于特征相似性的最优子集选择生成近似最优的伪评分，利用用户本地信息，减少噪声，有效降低沟通成本，并利用 Wasserstein 距离估计每个客户端的异构性和贡献，通过解决优化问题而获得最佳聚合权重，实验证明了 FedRec + 在各种参考数据集上的卓越性能。

Oct, 2023

建立了一个隐私保护推荐系统的框架，通过对分布式数据集的数据协作分析，改进了分布式数据集的评级预测准确性。

May, 2024

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

本研究展示了一种基于局部差分隐私的交互式网络演示，展现了联合学习在局部差分隐私下的力量，并且演示了局部差分隐私如何防止不受信任的聚合器从联邦学习中恢复用户的敏感训练数据，同时提出了衡量聚合器还原数据程度的指标 exp-hamming recovery。

Jun, 2020

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