我们提出了一种新的矩阵分解方法 BSR，通过利用标准矩阵平方根的特性，可以有效地处理大规模问题，并且构造了解析表达式用于处理具有动量和权重衰减的随机梯度下降，从而克服了与当前最先进的差分隐私模型训练相关方法相比的高计算开销，同时证明了这种逼近质量在集中和联合学习环境中都成立，并通过数值实验证明使用 BSR 训练的模型性能与现有最佳方法相当，同时完全避免了计算开销。

May, 2024

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

本研究的重点是在数据隐私保护方面，在联邦学习框架下的推荐系统中，提出了一种新的基于同态加密的隐私保护框架，并对这个框架进行了细致地分析和测试。

Sep, 2022

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

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

提出了一种简单的算法来实现可证明偏差私有性以及良好性能的差异性私人协作过滤。通过差分隐私和贝叶斯后验采样的新型连接方式，该算法可有效实现。同时，通过精细的系统设计和利用数据的幂律行为最大化 CPU 缓存带宽，我们可以在单个 PC 上以 8.5 百万每秒的速率生成 1024 维模型实现推荐。

May, 2015

这篇论文提出了一种新的联邦学习框架，采用随机稀疏化和梯度扰动来增强差分隐私保证，结合加速技术减少隐私代价，并利用 Renyi DP 紧密评估端到端 DP 保证。实验结果验证了该方法在隐私保证和通信效率方面的优于之前的方法。

Aug, 2020

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

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

基于针对实践的 heuristics 我们提出了一种新的算法，它基于 BMF 的最新的理论进展，用于在有限域上找到 GF （p）-Matrix 分解的有效多项式时间逼近方案，并通过人工合成和现实世界数据的实证研究证明了我们算法的优越性。

Jul, 2022