FedRec+：增强联邦推荐系统的隐私保护与异构性处理

MMOct, 2023

FedRec+：增强联邦推荐系统的隐私保护与异构性处理

FedRec+: Enhancing Privacy and Addressing Heterogeneity in Federated Recommendation Systems

Lin Wang, Zhichao Wang, Xi Leng, Xiaoying Tang

TL;DRFedRec + 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。

Abstract

preserving privacy and reducing communication costs for edge users pose significant challenges in recommendation systems. Although federated lear

preserving privacy communication costs federated learning federated recommendation systems heterogeneity

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

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

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

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

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

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

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

基于混合检索增强生成的联邦推荐

联邦推荐（FR）是一种新的范式，它可以实现隐私保护推荐。然而，传统的 FR 系统通常使用离散标识符（IDs）来表示用户 / 物品，由于 FR 中的数据稀疏性和异质性而导致性能下降。相比之下，基于大型语言模型（LLMs）的推荐器已经在各种推荐场景中证明了其有效性。我们提出了 GPT-FedRec，这是一个利用 ChatGPT 和一种新的混合检索增强生成（RAG）机制的联邦推荐框架。GPT-FedRec 是一个两阶段的解决方案。第一阶段是混合检索过程，挖掘基于 ID 的用户模式和基于文本的物品特征。然后，将检索到的结果转换为文本提示，并输入 GPT 进行重新排序。我们提出的混合检索机制和基于 LLM 的重新排序旨在从数据中提取概括特征，并利用 LLM 内部的预训练知识，克服 FR 中的数据稀疏性和异质性。此外，RAG 方法还可以防止 LLM 的产生虚假数据，提高了针对真实用户的推荐性能。对多种基准数据集的实验结果表明，GPT-FedRec 相对于最先进的基线方法具有优越的性能。

Mar, 2024

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

FedPH: 增强隐私的异构联邦学习

提出一种新的联邦学习方法，利用预训练模型作为本地模型的骨架，使用完全连接的层组成头部来解决客户端数据分布和计算资源不同的问题，在客户端之间共享类别的嵌入向量，采用加噪声的隐私保护混合方法来保护隐私，最后在自建车辆数据集上进行全面评估。

Jan, 2023