Mar, 2022

隐私保护的个性化健身推荐系统（P3FitRec）：一种多层深度学习方法

PDF
TL;DR本文提出了一种隐私保护的个性化健身推荐系统，通过多层深度学习框架学习从可穿戴 IOT 设备收集的真实健身数据中提取的重要特征，推导出智能健身建议，并实现个性化推荐，而无需明确收集用户身份或生物特征信息，如姓名，年龄，身高，体重，同时相比于现有研究，不需要收集和使用用户的敏感信息，从而保护用户的隐私。
recommender systemsprivacy-awarepersonalized fitnessdeep learningwearable iot devices
发现论文，激发创造
  • 快速调整和隐私保护的联邦推荐系统

    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

  • 时尚电商服装尺码和大小预测的深度学习系统

    本文提出了一种基于深度学习的内容协作方法，用于个性化尺寸和合适度建议，以提高顾客满意度并减少因尺码相关的退货所产生的成本，该方法可以模拟客户和文章数据，并能够为单个帐户背后的多个个体或意图进行建模。

    Jul, 2019

  • 使用可学习的物理知识进行实时锻炼姿势建议

    通过使用 MediaPipe 进行姿势识别、峰值检测来计算重复次数以及使用可学习的物理模拟来追踪运动演变，本文提出了一个算法流程，可以实时检测和纠正运动技术问题，并通过统计学习基于典型学习运动来诊断测试视频。这个低成本设备如智能手机支持的实时推荐系统将帮助锻炼者纠正潜在的错误，使得自我练习成为可行的同时降低锻炼伤害的风险。

    Oct, 2023

  • 实用的隐私保护 POI 推荐

    本文提出了一种隐私保护的 POI 推荐框架 PriRec，采用本地差分隐私技术保护用户数据、采用安全的去中心化梯度下降协议在用户端训练、采用安全聚合策略在联邦学习范式下训练特征交互模型，实现了用户数据和模型的本地保存和保护，同时具有可比较甚至更优的推荐准确性。

    Mar, 2020

  • 联邦推荐中的双重个性化

    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

  • 隐私保护新闻推荐模型学习

    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

  • 使用差分隐私原型联邦推荐

    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

  • FedHealth：一种用于可穿戴医疗的联邦迁移学习框架

    本文提出了 FedHealth 框架，该框架利用联邦学习进行数据聚合，并通过迁移学习构建个性化模型，从而实现准确且个性化的医疗保健，同时不会损害隐私和安全。实验表明，FedHealth 在可穿戴活动识别方面比传统方法具有更高的准确性（增加了 5.3%）。FedHealth 具有广泛的适用性和可扩展性，并且有潜力用于许多医疗保健应用。

    Jul, 2019

  • 个性化和私密的点对点机器学习

    本文提出了一种高效的分散式（点对点）和异步算法来解决个性化模型的学习，同时满足强隐私要求，并证明了它的收敛速率。我们展示了如何使算法往常差异保持私密以保护个人数据集的信息披露，并正式分析了效用和隐私之间的权衡。实验结果表明，在非私密约束下，我们的方法大大优于以前的工作，在隐私约束下，我们可以显著改进在独立学习中得到的模型。

    May, 2017

  • 利用高维计算技术实现可穿戴健康应用的高效个性化学习

    研究使用超高维计算的方法实现在可穿戴设备上进行个性化和隐私保护的机器学习，该方案提高了训练的效率，同时精度较高。

    Aug, 2022