基于联邦学习的张量隐式分解用于隐私保护的 QoS 预测
机器学习
2024-07-30 v1 密码学与安全
摘要
在大数据和服务计算相关应用中，常遇到动态连接问题，尤其是用户视角服务质量（QoS）的动态数据。在 Web 服务中，这些数据被转化为高维不完整（HDI）张量，包含丰富的时序模式信息。张量隐式分解（LFT）是从 HDI 张量中提取此类模式的高效且典型的方法。然而，当前的 LFT 模型需要将 QoS 数据集中保存（例如，在中心服务器），这对于越来越受隐私保护限制的用户来说是不可行的。为此，本文创造性地设计了一种基于联邦学习的张量隐式分解方法（FL-LFT）。它构建一种以数据密度为导向的联邦学习模型，使孤立用户能够在保护用户隐私的前提下协同训练全局 LFT 模型。在来自真实世界的 QoS 数据集上进行的大量实验验证表明，FL-LFT 在准确率提升方面显著优于当前最先进的联邦学习（FL）方法。
引用
@article{arxiv.2407.19828,
title = {Federated Learning based Latent Factorization of Tensors for Privacy-Preserving QoS Prediction},
author = {Shuai Zhong and Zengtong Tang and Di Wu},
journal= {arXiv preprint arXiv:2407.19828},
year = {2024}
}