联邦神经协同过滤
信息检索
2022-02-17 v2 密码学与安全
机器学习
摘要
在这项工作中，我们提出了最先进的神经协同过滤（Neural Collaborative Filtering, NCF）用于物品推荐的联邦版本。该系统名为 FedNCF，能够在不需要用户披露或传输其原始数据的情况下进行学习。数据本地化保护了数据隐私并符合诸如 GDPR 等法规。尽管联邦学习能够在无需本地数据传播的情况下实现模型训练，但原始客户端更新的传输引发了额外的隐私问题。为应对这一挑战，我们引入了一种满足针对诚实但好奇实体的安全要求的隐私保护聚合方法。我们从理论和实验上论证，现有的聚合算法与隐因子模型更新不一致。我们通过将聚合步骤分解为矩阵分解和基于神经网络的平均化提出了一种改进。实验验证表明，FedNCF 达到了与原始 NCF 系统相当的推荐质量，而我们提出的聚合相比现有方法带来了更快的收敛。我们研究了联邦推荐系统的有效性，并从计算成本角度评估了隐私保护机制。
引用
@article{arxiv.2106.04405,
title = {Federated Neural Collaborative Filtering},
author = {Vasileios Perifanis and Pavlos S. Efraimidis},
journal= {arXiv preprint arXiv:2106.04405},
year = {2022}
}