m0_57180439的博客

在联邦推荐系统（FedRecs）中，标准方法确实假设所有用户都遵循统一的隐私预算，即用户不上传任何原始数据，仅上传模型参数或梯度到服务器。这种方式优先保护用户隐私，确保敏感数据保留在本地。然而，这种统一的隐私预算忽略了用户在隐私偏好上的多样性——并不是所有用户都具有严格的隐私需求，有些用户愿意分享部分数据以获得更准确的推荐结果.本文探索了一种用户管理数据贡献的联合推荐架构，在该架构中，用户可以自由控制是否向服务器共享数据以及共享数据的比例。

然而，正如之前的研究]所指出的那样，这些用户内嵌信息已经编码了用户行为的隐私信息，出于对隐私的考虑，不能直接共享到域外。在本文中，我们提出了一种新颖的，据我们所知，用于隐私保护跨域推荐的联邦图学习方法( PPCDR )，以基于分布式多域数据捕获用户的偏好，并在不泄露隐私的情况下提高所有域的推荐性能。具体来说，对于每个领域，我们通过增加连接全局和本地用户节点(对应全局和本地用户偏好)的链接来构建特定领域的用户-项目交互图，如图1所示，然后设计了一种基于GNNs的联合图学习方法。

属性图异常检测旨在识别明显偏离大多数正常节点的节点，由于图结构数据在现实世界各种场景中的普遍性和复杂性，这种检测方法受到越来越多的关注。然而，目前主流的异常检测方法主要是针对集中式环境设计的，在某些敏感情况下可能会带来隐私泄露风险。尽管图联邦学习提供了一个很有前景的解决方案，它可以在分布式系统中进行协作模型训练，同时保护数据隐私，但由于每个客户端拥有的图数据量通常有限，因此实际挑战也随之而来。因此，将联合图学习直接应用于分布式环境中的异常检测任务可能会导致性能结果不理想。

Personalized Federated Graph Learning On Non-IID Electronic Health Records 论文学习笔记

异构信息网络（HIN）包含丰富的语义信息，这些信息由元路径（meta-paths）描述，已经成为缓解推荐系统中数据稀疏问题的重要工具。然而，现有的基于HIN的推荐系统通常假设数据是集中存储和训练的。但是，在现实世界中，由于隐私问题，数据往往是分布存储的，这导致HIN中的语义破裂问题，并使集中式HIN推荐系统失效。ps：推荐系统中数据稀疏问题比如现有10000个电影数据和10个观众数据，但这10个观众不一定都看过这10000个电影，并且也不是说看过的电影一定会写评价。

FedGNNs论文综述

联邦学习——资源受限下的自适应本地迭代次数

联邦学习FedAvg算法学习笔记