面向推荐的半去中心化联邦自我图学习

Feb, 2023

面向推荐的半去中心化联邦自我图学习

Semi-decentralized Federated Ego Graph Learning for Recommendation

Liang Qu, Ningzhi Tang, Ruiqi Zheng, Quoc Viet Hung Nguyen, Zi Huang...

TL;DR本文提出了一种半去中心化的联邦图神经网络推荐框架（SemiDFEGL），它通过设备之间的合作来提高可扩展性并降低通信成本，并创新地利用预测的互动项目节点来连接孤立的 Ego 图以增强本地子图，进而以隐私保护的方式使用高阶用户 - 项协同信息。此外，该框架面向模型，可以与现有的图神经网络推荐方法和隐私保护技术无缝集成。实验结果表明，与其他联邦推荐方法相比，所提出的 SemiDFEGL 具有较高的性能优势。

Abstract

collaborative filtering (CF) based recommender systems are typically trained based on personal interaction data (e.g., clicks and purchases) that could be naturally represented as ego graphs. However, most existing recommendation methods collect these ego graphs from all users to compo

collaborative filtering egograph federated recommendation privacy preserving graph neural network

发现论文，激发创造

FedEgo: 基于 Ego 图的隐私保护个性化联邦图学习

本文提出了一种基于自我图的联邦图学习框架 FedEgo，旨在解决分布式图数据中的隐私问题和统计异质性问题，通过将 GraphSAGE 应用于自我图以利用结构信息，并利用 Mixup 来处理隐私问题。我们提出了一种自适应混合系数策略来处理统计异质性，以帮助客户实现最佳个性化效果。实验结果表明 FedEgo 的有效性。

Aug, 2022

基于图神经网络的联邦社交推荐

本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

Nov, 2021

基于分散框架的图形联邦学习

图形联邦学习在多种场景中都有广泛的应用，需要更多的数据隐私保护。这篇研究论文提出了一种基于去中心化框架以及节点间数据相似性的图形联邦学习方法，通过线性加权聚合节点的梯度信息，实验证明该方法的有效性优于其他方法。

Jul, 2023

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

联邦神经协同过滤

本文提出一种改进的基于联邦学习的神经协同过滤推荐系统，名为 FedNCF，通过隐私保护聚合提高用户数据的安全性和数据保护合规性，并且在与原始 NCF 系统相比不降低推荐质量的情况下，实现更快的模型收敛速度。

Jun, 2021

FedGNN：基于联邦学习的图神经网络在隐私保护推荐中的应用

本文提出了一种隐私保护的图神经网络推荐模型，该模型采用联邦学习的方式对分散的用户数据进行训练，并采用本地差分隐私技术对用户隐私进行保护，同时通过用户 - 物品图扩展方法拓展本地用户 - 物品图来增强推荐效果，并在六个基准数据集上进行了广泛实验验证。

Feb, 2021

SemiPFL：边缘智能个性化半监督联邦学习框架

本文提出了一种名为 SemiPFL 的方案，支持边缘用户在服务器上协作训练超网络，为每个用户生成个性化自动编码器，并在收到来自边缘用户的更新后，基于他们自己的标记数据集，本地汇聚生成一组用户的基础模型，并且这个解决方案在处理数据异质性和有限注释方面具有很好的效果，并在处理用户硬件资源异构性的三个实时场景中展示了 SemiPFL 的稳定性。

Mar, 2022

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

FedRKG: 隐私保护的联邦推荐框架通过知识图谱增强

提出了 FedRKG，一种基于全球知识图构建的新型联邦推荐系统，通过使用公共可用的物品信息建立和维护全局知识图，允许更高阶的用户 - 物品交互，采用伪标签和局部差分隐私来保护本地交互物品和模糊梯度，实验证明其相比于现有的联邦学习算法在确保隐私保护的同时具有竞争性的性能，平均准确率提升了 4%。

Jan, 2024

共享嵌入的联邦图神经网络

本研究提出了一种基于图嵌入的联邦学习方法，在不直接分享原始数据的情况下利用共享嵌入数据提高了现有基于图的网络的训练效率，并在不同数据集上进行了实验以显示其有效性，使得当前基于图的模型在联邦学习框架中的训练具备隐私保护的功能。

Oct, 2022