Apr, 2023

DRIFT: 一种基于隐式反馈的联邦推荐系统

PDF
TL;DR本报告提出了 DRIFT，这是一种基于 SAROS 的联邦推荐系统框架，使用隐式反馈来实现精细推荐，同时保护用户隐私，并证明了 DRIFT 在计算时间和安全性方面的优势。
recommender systemsprivacyfederated architectureimplicit feedbacklinear complexity
发现论文，激发创造
  • 基于隐式反馈的联邦协同过滤更强隐私保护

    我们提出了一个实用的联邦推荐系统，用于隐式数据下的用户级本地差分隐私，包括代理网络来减少用户跟踪表面。我们在 Movielens 数据集上进行实证研究，并在保护用户隐私的同时，实现了高命中率。

    May, 2021

  • 联邦网络系统中的概念漂移检测

    本文提出了一种概念漂移检测系统，利用联邦学习在每次迭代中提供的更新来缓解漂移对模型性能的影响，使用降维和聚类技术，实现了在智能交通系统中不同漂移阶段和系统暴露水平的各种非 iid 场景中检测漂移节点的框架。

    Sep, 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

  • 联邦推荐系统综述

    本文综述了联邦学习在推荐系统中的应用，探讨了隐私机制、聚合策略、异构问题和通信成本等方面面临的挑战和解决方案，同时介绍了相关开源平台，并提出了未来研究方向。

    Dec, 2022

  • 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

  • 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

  • 分布式概念漂移下的联邦学习

    本文研究了分布式概念漂移下的联邦学习，提出了两种新的聚类算法以适应数据异质性和时间变化的漂移，并且通过实验验证表明它们的准确性显著优于现有的基线算法，接近理想算法。

    Jun, 2022

  • 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

  • Drifter：大规模推荐系统中的高效在线特征监控以提高数据完整性

    Drifter 是一种高效、轻量级的在线特征监控和验证系统，通过提供敏捷、响应灵敏和适应性的数据质量监控，实时根本原因分析、漂移检测和有问题的生产事件的洞察，解决现有方法的局限。Drifter 集成了最先进的稀疏数据的在线特征排序和异常检测思想，具有高可扩展性和资源效率，在每分钟处理数百万个实例的生产部署中，只需要两个线程和不到 1 GB 的 RAM。对真实数据集的评估证明，Drifter 在警报和缓解数据质量问题方面具有有效性，显著提高了实时推荐系统的可靠性和性能。

    Sep, 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