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
本文研究基于联邦学习框架下的矩阵分解法,将其分为三种模型,并分析每种模型存在的隐私威胁及保障方法,是矩阵分解法在联邦学习框架下的隐私威胁研究的第一篇。
Jul, 2020
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
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
本论文中介绍了一种针对移动环境下的评分预测的新型联邦学习框架 —— 元矩阵分解(MetaMF)。MetaMF 拥有很强的可扩展性和适应性,可以更好地利用用户 / 设备之间的协同过滤信息进行更准确的评分预测。在四个基准数据集的实验中,MetaMF 的性能表现出色,比现有的联邦方法表现更优秀。
Oct, 2019
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
在分布式的无线网络中,我们提出了一种保护隐私的非负矩阵分解算法,利用 Paillier 加密系统对分布式大型数据矩阵进行分解,从而保护每个节点的本地数据隐私,并在邻居节点之间进行安全的信息交互。模拟结果表明该算法在实现分布式非负矩阵分解的同时保持了隐私保护的有效性。
Mar, 2024
提出一个基于差分隐私和矩阵分解的隐私保护推荐系统,通过高斯机制和输出扰动的方式实现差分隐私,采用 Rényi Differential Privacy 来紧密刻画隐私损失,能够在保证用户隐私的前提下有效地完成推荐任务。
Apr, 2023
本论文提出了一个基于联合多视图学习的框架,用于多视图数据泄露预防,以解决医学数据分布困难、数据来源异构等问题。该框架兼容垂直联合多视图学习和水平联合多视图学习两种问题,并通过键盘数据的实验验证表明,该方法可以在保护隐私的同时充分利用多视图数据,同时 V-FedMV 和 H-FedMV 方法的表现都显著好于其单视图和成对对应方法。此框架是首个考虑在联合多视图设置中进行垂直和水平多样化以及顺序联合学习的研究。
May, 2021
本文介绍了一种基于带状矩阵的矩阵分解机制,可以用于差分隐私的联合训练和集中式训练,并且具有更好的性能和更低的计算复杂度。
Jun, 2023