联邦神经协同过滤
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
本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架,称为 “NCF”,包括采用多层感知器来学习用户与物品交互功能,实验表明该框架可以显著提高推荐效果。
Aug, 2017
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
通过提出集中式的、基于神经网络的联邦学习系统,利用边缘计算减少中央服务器的负载,同时在各种数据分布设置中相对于一些现有基准算法取得令人满意的性能。
Nov, 2023
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轻量级加密和数据混淆的联邦学习系统,结合恰当的带宽效率优化和对云服务器主动攻击的安全保护机制,在保证客户端数据隐私的前提下,整合来自多源的数据进行联合训练,并在多项数据集(MNIST、CIFAR-10、CelebA)上验证该系统的可行性及精度。
Feb, 2022
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