16、多行为推荐算法与联邦学习在医疗数据训练中的应用

多行为推荐算法与联邦学习在医疗数据训练中的应用

在当今的信息时代，推荐系统和机器学习在各个领域都发挥着至关重要的作用。多行为推荐算法能够根据用户的多种行为为其提供更精准的推荐，而联邦学习则为在保护数据隐私的前提下进行分布式机器学习训练提供了可能。下面我们将深入探讨这两方面的内容。

多行为推荐算法：FedMB模型的卓越表现

在多行为推荐算法领域，FedMB模型是一个引人注目的存在。它利用联邦学习来在推荐过程中保护数据隐私，采用个性化联邦学习框架来应对多行为推荐中的用户个性化挑战。

消融研究：优先级图表的关键作用

在联邦聚合中，客户端通常上传用户模型的梯度或参数，而FedMB模型还纳入了客户端训练损失值来评估用户训练质量。优先级图表（Precedence Chart，简称PC）在FedMB中起着至关重要的作用。
为了验证优先级图表对模型结果的提升效果，进行了相关实验。将联邦模型FedMB与FedMB(PC)的结果进行对比，发现模型性能有显著提升。在贝贝、淘宝和Yelp三个数据集上，推荐结果的平均质量分别提升了2.5%、3%和4.9%。这表明使用优先级图表方法过滤出优秀的训练结束模型参数并进行聚合，相较于传统的联邦聚合方法具有显著优势，能够有效提升模型的推荐效果。
以下是实验结果的简单示意表格：
| 数据集 | 提升比例 |
| ---- | ---- |
| 贝贝 | 2.5% |
| 淘宝 | 3% |
| Yelp | 4.9% |

对比实验：FedMB脱颖而出

在对比实验中，设置了N个GCN行为用户交互视图和N个用户行为交互视图（N设为3），使用Adam优化