Advertisement

联邦学习论文阅读：Federated collaborative filtering

阅读量：

本文提出了一种将隐式反馈协同过滤模型转换为联邦学习框架的方法，使用Fed-Avg算法来保证隐私。该方法在保护用户隐私的同时利用隐式反馈进行推荐，但整体创新性不足。框架与Google的相关研究相似，模型采用矩阵分解方法，通过置信度值衡量用户偏好，并使用特定损失函数进行优化。用户可以在本地计算梯度，而服务器处理另一部分梯度计算。

自今年一月起，该研究团队已将该文章上传至arXiv，该文章基于联邦协同过滤算法，旨在保护用户隐私，构建一个个性化推荐系统。

摘要

问题
在保护用户隐私的情况下利用隐性反馈进行推荐

框架

在这里插入图片描述

一个横向联邦的框架，和google那篇是一模一样的。

模型

CF模型属于一种传统的矩阵分解方法，它通过两个向量X和Y来表示用户u和物品i之间的关系。在推荐系统中，我们通常用{r_{ui}}来表示用户u对物品i的隐式反馈次数，例如用户访问或交互的次数等。而{p_{ui}}则表示用户u对物品i的偏好程度，当且仅当{r_{ui} > 0}时，{p_{ui} = 1}，否则为0。然而，仅凭隐式反馈来判断用户偏好并不准确，因为例如顾客购买了一次某商品，并不能说明顾客一定喜欢该商品，可能对商品不满意，或者将其赠送给他人使用。因此，引入一个置信度{c_{ui} = 1+ \alpha \cdot r_{ui}}来进一步评估用户的偏好程度，其中隐式反馈次数越多，用户被评估为喜欢该商品的可能性就越高。

损失函数为

在这里插入图片描述

需要计算的更新梯度为

在这里插入图片描述
在这里插入图片描述

用户可以在完成第一项计算。在第二项的第一个子任务中，用户需要先完成本地计算，随后将结果上传至服务器进行后续处理。

全部评论 (0)

还没有任何评论哟~

相关文章推荐

联邦学习论文阅读：Federated collaborative filtering

今年一月刚挂上arXiv的一篇联邦推荐文章Federatedcollaborativefilteringforprivacypreservingpersonalizedrecommendationsy...

联邦学习论文阅读：Asynchronous Federated Optimization

这是UIUC的一篇刚刚挂在arXiv上的文章：AsynchronousFederatedOptimization。 我对边缘计算和异步算法不太了解，直观的理解是作为一个user，我上传的梯度参数是延迟...

联邦学习论文阅读：Secure Federated Matrix Factorization

这是六月刚刚挂上arXiv的文章，杨老师学生的工作 link 代码 摘要 这篇文章提出了联邦化的矩阵分解算法，作者发现传梯度也会泄露信息，所以利用同态加密来进一步保证用户数据的隐私性。

联邦学习论文阅读：Federated meta-learning for recommendation

2018年HuaweiNoah’sArkLab的文章Federatedmetalearningforrecommendation的阅读笔记 想法 用元学习的方法解决少数据的问题，并用差分隐私保护用户的...

联邦学习论文阅读：Fair Resource Allocation in Federated Learning

arXiv上刚刚挂的一篇文章FairResourceAllocationinFederatedLearning，作者是CMU的APVirginiaSmith组的，搜了一下主页，居然是一个超级年轻的小姐...

【联邦学习论文阅读】FedProx（2018）Federated Optimization in Heterogeneous Networks

【FedProx】论文链接：<https://arxiv.org/abs/1812.06127 摘要 联邦学习面临两个关键挑战：系统异构性；统计异构性。本文的FedProx可以解决联邦学习的异构性，可...

联邦学习阅读《Communication-efficient federated learning》

文章目录 概述 一、背景介绍 二、基本概念 1.通讯高效的FL框架（CommunicationEfficientFL） 2.通讯模型 本文提出方法 概率设备选择（ProbabilisticDevice...

联邦学习论文阅读 Federated Online Learning to Rank with Evolution Strategies

这是今年刚在WSDM上发表的一篇文章，在联邦学习的框架下考虑了实时排序算法的实现，作者将这个框架称为FederatedOnlineLearningtoRankFOLtR。

联邦学习-论文阅读-NDSS-FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping

1、FLTrust:ByzantinerobustFederatedLearningviaTrustBootstrapping 1、概要 拜占庭式的鲁棒联邦学习方法中没有信任的根（即不知道服务器的任务...

Neural Collaborative Filtering 论文阅读和复现

NeuralCollaborativeFiltering论文阅读和复现 Abstract Methods ExperimentsandResults Dataset 首先是数据理解 功能快捷键 合理的...