关键词federated recommendation
搜索结果 - 9
- 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 - WWW用伪用户攻击联邦推荐系统
该研究探讨了在联邦推荐系统中执行促销攻击的策略，引入了一种无需额外信息的新型假用户基础的中毒攻击，称为 PoisonFRS，该攻击能有效地促进攻击者选择的目标物品并且在潜在空间中无法区分真实用户和虚假用户的模型更新。
- 基于低秩训练的高效通信联邦推荐系统
在联邦推荐系统中，通信成本是一个关键瓶颈，该研究提出了一种名为 Correlated Low-rank Structure (CoLR) 的新框架，通过调整轻量级可训练参数并保持大部分参数冻结，大幅降低通信开销并与安全聚合协议兼容。该方法在 - WWW隐私保护推荐的联邦异构图神经网络
该论文提出了一种基于异构图神经网络的联邦框架，用于在分布式的异构信息网络中协同训练推荐模型，保护用户隐私并恢复由于数据分布存储产生的破坏的元路径语义。
- 面向推荐的半去中心化联邦自我图学习
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 - 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 - IJCAI联邦学习场景下基于深度学习的推荐模型攻击
本篇论文研究了针对联邦学习场景下的基于深度学习的推荐模型的攻击方法，并提出了两种生成毒瘤梯度的策略以有效地破坏目标模型。
- FedRecAttack：对联邦推荐模型的模型毒化攻击
该论文介绍了一种针对联邦推荐系统的模型毒化攻击，利用公共交互信息近似用户特征向量，并通过精心设计的方式控制恶意用户上传毒化梯度，提高目标项的曝光率。实验结果表明，FedRecAttack 在 3% 的恶意用户和 1% 的公共交互情况下仍然非 - IJCAI个性化掩码保障的实用安全联邦推荐
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。