Jan, 2023

联邦推荐中的双重个性化

PDF
TL;DR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。
federated recommendationprivacy-preserving mechanismpersonalized federated recommendationdual personalization mechanismsmart devices
发现论文，激发创造
  • 用户同意的联邦推荐系统抵御个性化属性推断攻击

    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

  • 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

  • 面向隐私保护的联邦协作过滤个性化推荐系统

    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

  • FedRec+：增强联邦推荐系统的隐私保护与异构性处理

    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

  • 设备上个性化联邦评估

    该研究介绍了扩展联邦学习运算框架以评估全球模型个性化策略的方法，并提出了分析个性化效果以评估个性化是否产生理想模型的工具。作者还报告了在数千万用户的智能手机虚拟键盘中个性化语言模型的实验结果，并展示了相当一部分用户从个性化中受益。

    Oct, 2019

  • Efficient-FedRec: 保护隐私的新闻推荐高效联邦学习框架

    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

  • 使用联邦学习的电影推荐隐私保护系统

    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

  • 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

  • 分布式个性化在线联邦学习

    我们提出了一个新的去中心化个性化在线联邦学习设置，用于在在线环境中学习，在每个客户端上学习个性化模型，并在去中心化环境中学习。我们解决了两个技术挑战：如何通过优化本地模型的性能来聚合来自邻近客户端的共享模型参数，并通过学习的聚合权重选择最有帮助的邻居减少通信成本。

    Nov, 2023

  • 个性化掩码保障的实用安全联邦推荐

    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