联邦学习论文阅读：Federated meta-learning for recommendation
该文章探讨了利用元学习方法解决少数据问题的同时保护用户隐私的研究。作者声称在算法层面提出了两点创新，并将元学习与联邦学习相结合。然而，其提出的算法A与已有工作并无实质区别。文章通过框架图展示了系统的流程：服务器初始化并传递算法给用户；用户利用支持集训练模型并计算损失及梯度；梯度返回给服务器更新算法A。尽管存在一些理论探讨和技术细节的讨论（如实验部分），但整体研究并未带来显著的技术突破或新颖性。
2018年华为诺亚ark实验室的文章《联邦学习在推荐系统中的应用》
通过阅读这篇文章,我对联邦学习在推荐系统中的应用有了初步认识
文章的主要贡献在于提出了一种混合型的联邦学习框架
该框架能够有效整合不同数据源的特点
并实现了数据隐私与模型性能的最佳平衡
文章详细介绍了所提出的算法设计原理
并通过大量实证分析验证了其有效性
研究表明该算法在推荐系统中的表现优于现有方法
本文的研究工作为后续相关研究提供了新的思路
基于元学习的方法应对数据稀缺性，并同时采用差分隐私保护技术保护用户隐私。
该作者声称提出了两项创新：一是基于算法领域的元学习机制的应用；二是采用联邦学习技术来保护用户的隐私信息。然而，在介绍所提出的算法A时发现其与现有方法并无显著差异：它实际上仅涉及模型参数初始值的设定过程，并将其视为一个元学习器. 因此总体而言该研究的工作等同于将元学习技术和[联邦学习]( ）结合起来，并未带来实质性的技术突破。
框架
首先，在meta学习框架中定义了一个学习器算法A（即meta-learner），其初始参数设置为θ_0。随后，在 server端对每位用户进行算法分配： server将该算法实例分配给每位用户；每位用户接收该算法后会根据自身数据进行训练；具体来说，在每个用户的本地设备上利用支持数据集D_s进行训练，并基于测试数据集D_t计算损失函数值及其相应的梯度更新量；随后，在 server端整合所有用户的反馈信息并完成一次全局参数更新；整个过程由 server负责监督协调并不断迭代优化该学习机制A以提升性能
算法
实验
