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

通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinterest 数据集上表现优越。

Aug, 2023

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

利用公共物品特征在训练中，通过基于搜集矩阵分解的方法，可以有效缓解使用不同隐私保护技术训练的推荐模型的品质损失。

Sep, 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

本文提出了一种可解释性推荐模型 Multi-Matrix Factorization（MMF），该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题，并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分，提供了更细粒度的分析，综合评测结果表明，MMF 在准确性方面优于现有模型。

Aug, 2019

提出了一种使用联邦学习框架的多视图矩阵分解方法，旨在学习多视图模型且无需将用户的个人数据传输到中央服务器。在三个生产数据集上进行了实证验证，结果表明这种方法在联邦推荐任务的冷启动预测方面表现优于不考虑数据多视图结构的简单方法，同时证明了该方法对复杂的预测任务的有用性。

Apr, 2020

提出一种去中心化的矩阵分解方法作为点 of interest 推荐的解决方案，该方法采用基于随机游走的分布式学习技术，可以显著地提高推荐的准确率和召回率。

Mar, 2020

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