FedRule：基于图神经网络的联邦规则推荐系统
机器学习
2022-11-15 v1 分布式、并行与集群计算
机器学习
摘要
物联网（Internet-of-Things，IoT）设备为“智能”家庭带来的诸多价值在于其自动触发其他设备动作的能力：例如，智能摄像头触发智能门锁解锁房门。然而，为智能设备或应用手动设置这些规则既耗时又低效。规则推荐系统可以通过学习先前部署的规则（例如在其他人的智能家庭中）中哪些规则受欢迎，来自动为用户建议规则。传统的推荐形式要求中央服务器记录许多用户家庭中所使用的规则，这损害了用户的隐私，并使其易受针对中央服务器规则数据库的攻击。此外，这些解决方案通常采用通用的用户-项目矩阵方法，未能充分利用规则推荐问题的结构。在本文中，我们提出了一种新的规则推荐系统，称为 FedRule，以应对这些挑战。每位用户根据其正在使用的规则构建一张图，并将规则推荐表述为这些图中的链路预测任务。这一表述使我们能够设计一种能够保护用户数据隐私的联邦训练算法。大量实验通过证明 FedRule 具有与集中式设置相当的性能并优于传统解决方案，证实了我们的主张。
引用
@article{arxiv.2211.06812,
title = {FedRule: Federated Rule Recommendation System with Graph Neural Networks},
author = {Yuhang Yao and Mohammad Mahdi Kamani and Zhongwei Cheng and Lin Chen and Carlee Joe-Wong and Tianqiang Liu},
journal= {arXiv preprint arXiv:2211.06812},
year = {2022}
}