联邦学习论文阅读：Federated meta-learning for recommendation

最新推荐文章于 2025-06-16 14:52:02 发布
最新推荐文章于 2025-06-16 14:52:02 发布
阅读量4.7k 收藏 7
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 联邦学习 文章标签： 联邦学习 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/thormas1996/article/details/88944324
本文介绍了华为诺亚方舟实验室2018年的研究，探讨如何使用联邦学习和元学习来应对推荐系统中的数据稀疏问题，同时保护用户隐私。文章提出将元学习应用于联邦学习框架，但并未展示显著的创新点，主要思路是结合两者以优化模型初始化权重。实验部分未详述。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

2018年Huawei Noah’s Ark Lab的文章Federated meta-learning for recommendation的阅读笔记

想法
用元学习的方法解决少数据的问题，并用差分隐私保护用户的隐私性

这篇文章作者声称有两点创新，一是meta-learning在算法层面，二是用联邦学习保护用户隐私。但文章中的算法A与之前工作没有任何区别，都是模型的初始化权重，也就是meta-learner。总的来说，就是将meta-learning与federated learning相结合，也是现在大部分联邦学习文章的思路，并无什么创新的地方。

框架
在这里插入图片描述
首先服务器有一个算法A，也即meta-learning中的meta-learner，模型的初始化权重。第一步服务器将A传给每个用户
第二步用户将自己的数据分为两部分，support dataset和test dataset。通过support dataset训练出一个模型θ{\theta}θ，用test dataset计算损失函数和相应的更新梯度
第三

最低0.47元/天 解锁文章

200万优质内容无限畅学
MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection 走读
weixin_42453761的博客
06-05 764
摘要 推荐系统经常面对包含高度个性化的用户历史数据的异构数据集，在这些数据集中，没有哪个模型可以为每个用户提供最佳建议。我们在公共和私有数据集上都观察到了这种普遍存在的现象，并在追求优化每个用户的推荐质量的过程中解决了模型选择问题。我们提出了一个元学习框架，以促进推荐系统中对用户类型的自适应模型选择。在此框架中，将使用来自所有用户的数据来训练推荐系统集合，然后通过元学习对模型选择器进行训练，以使用用户特定的历史数据为每个用户选择最佳的单个模型。我们在两个公共数据集和一个真实世界的生产数据集上进行了广泛的实验
Federated Meta-Learning for Fraudulent Credit Card Detection
weixin_42138565的博客
11-12 678
Federated Meta-Learning for Fraudulent Credit Card Detection Introduction Life-long ????不断的用同一个模型做学习，我们期待同一个模型可以同时学会很多技能 Meta ：仍然是不同的任务有不同的模型，期待的是机器可以从过去的经验在训练一个新模型的时候更快更好 Machine Learning：我们可以看做有一个learning algorithm(它是人设计的)，这个learning algorithm把训练资料当作输入，然
联邦学习在医疗基因数据协同分析与罕见病研究中的应用实践
最新发布
2501_92435912的博客
06-16 405
在罕见病研究场景中，单个机构往往缺乏足够样本量，联邦学习通过跨区域模型聚合，使囊性纤维化等罕见病研究样本量提升17倍（Nature Medicine, 2022）。相较于传统数据集中式处理模式，联邦学习允许参与方（如医院、研究机构）保留本地数据所有权，仅共享模型参数更新，这种设计有效解决了医疗数据孤岛问题。在真实医疗场景测试中，该系统使罕见病筛查模型的召回率提升25%（针对医疗领域对因果关系的强需求，DeepMind团队开发的FedLIME工具（2023），在联邦学习框架内集成局部可解释模型（LIME）。
Vehicular Edge Computing Based Driver Recommendation System Using Federated Learning
qq_42530436的博客
04-28 368
Vehicular Edge Computing Based Driver Recommendation System Using Federated Learning 基于联邦学习的车辆边缘计算驱动推荐系统 论文阅读 摘要：通过历史行车数据的分析，计算驾驶员的驾驶应力及其对不同驾驶行为的影响 使用长短期记忆全卷积网络来预测驾驶员相应的压力水平 建立了压力与驾驶行为之间的关系 开发了推荐司机后续出行的智能推荐系统 为满足人工智能需求，提出的系统架构中利用车辆边缘计算中的联邦学习，它能让路边单元做所有数据计算
联邦元学习（Federated meta learning）学习笔记
日拱一卒，功不唐捐。
08-17 7132
介绍联邦学习、元学习、联邦元学习以及他们的必要性、原理、方法、例子等内容
【联邦元学习】论文解读：Federated Meta-Learning for Fraudulent Credit Card Detection
BlueBlue
09-03 849
论文：Zheng W, Yan L, Gou C, et al. Federated Meta-Learning for Fraudulent Credit Card Detection[C], Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence Special Track on AI in FinTech. Pages 4654-4660. 2020: 4654-4660. 【
Federated Meta-Learning with Fast Convergence and Efficient Communication论文阅读笔记
LauraXv的博客
03-03 1214
摘要 在移动设备上分布式训练机器学习模型所面对的统计和系统上的挑战是联邦学习现实应用中的瓶颈。本文通过实验说明meta-learning是解决这些问题的自然选择，并且提出了一个联邦元学习的框架FedMeta。和联邦学习相比，联邦元学习只共享meta-learner，而不是一整个模型。作者在LEAF数据集和一个真实的生产数据集上进行了实验。实验结果表明FedMeta更快收敛、需要的通信开销更少，并且相比于FedAvg能取得更高的准确率。同时，FedMeta只共享meta-learner，从而保护了隐私。
论文学习笔记：Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
m0_57180439的博客
07-22 939
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。
CIKM2022推荐系统论文集锦
张小磊的博客
09-22 1017
嘿，记得给“机器学习与推荐算法”添加星标第31届信息和知识管理国际会议CIKM2022将于2022年10月17日-21日以混合会议的方式在美国亚特兰大举行。CIKM会议是数据库／数据挖掘／内容检索领域顶级国际会议，也是中国计算机学会规定的CCF B类会议。关于该会议在历年推荐系统论文收录情况请参考下文：CIKM2021推荐系统论文集锦CIKM2020推荐系统论文集合本文主要是从教程以及研究型论文和...
论文阅读:Personalized Federated Learning:A Meta-Learning Approac
三金samkam的博客
06-02 1538
论文名字 Personalized Federated Learning: A Meta-Learning Approach 来源 年份 2020.10.23 作者 Alireza Fallah, Aryan Mokhtari, Asuman Ozdaglar 核心点 使用meta learning实现联邦学习的个性化（差异...
最新最全论文合集——联邦学习
AI_Conf的博客
01-26 705
AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文：https://www.aminer.cn/topic 论文集地址：https:/.
federated-learning:关于联邦学习的所有内容（论文，教程等）-联邦学习
05-13
联邦学习 Federated Learning Everything about federated learning. Your contribution is highly valued! 关于联邦学习的资料，包括：介绍、综述文章、最新文章、代表工作及其代码、数据集、论文等等。 欢迎一起贡献！ 目录 1. 教程 Tutorial 文字 PPT (AAAI-19) (AAAI-19) 视频 GDPR, Data Shortage and AI (AAAI-19 Invited Talk) 新闻 2019/02/09 谷歌发布全球首个产品级移动端分布式机器学习系统，数千万手机同步训练 2. 相关论文 Related Papers 综述与介绍 Survey And Introduction arXiv 201912 - Advances and Open Problems in Fede
Awesome-Differential-Privacy:差分私有机器学习
05-30
差分隐私 差分隐私学习与集成 1.直观的解释 2.学术论文 2.1 调查 差分隐私的算法基础 差分隐私和应用 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私论文 SoK：差异隐私 2.2 课程 差异隐私研讨会，秋季 19/20 CSE 660 秋季 2017 cs295-数据隐私 隐私研究小组 CS 860-私有数据分析算法-2020年秋季 2.3 一些机制 集中差分隐私：简化、扩展和下限 2.4 2015-2019 年 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私（其中一些来自 2020 年） 民意调查 3. 视频 差分隐私的最新进展 II 差分隐私的最新发展 I 采样隐私放大与人一差分隐私 差分隐私：从理论到实践 4. 代码 4.0 代码实现DP算法 4.1 K-匿名算法 4.2 随机响应 4.3 拉普拉斯和指数机制 4
联邦学习之差分隐私
威化饼的一隅
10-17 9671
联邦学习过程   联邦学习以轮为单位，每个轮内包含模型分发、本地训练和全局更新这3个阶段。 1. 模型分发   在模型分发阶段，服务器按照一定标准，选择参与本轮联邦学习的设备，例如下图中选中了3个设备，向它们分发全局模型。 2. 本地训练   在本地训练阶段，每个设备加载当前全局模型，使用自己的训练数据训练，得到新的本地模型。 3. 全局更新   在全局更新阶段，每个设备向服务器上传模型更新值，服务器收集更新值进行聚合，得到聚合结果，更新全局模型。 下一轮，服务器会将新的全局模型发送给选中的设备
联邦学习 Federated Learning 相关资料整理
热门推荐
SYP'S Blog
05-30 1万+
论文 Towards Federated Learning at Scale: System Design 安全的联邦迁移学习（Secure Federated Transfer Learning） 联邦强化学习（Federated Reinforcement Learning） SecureBoost 安全树模型 会议资料 联邦学习的研究与应用 Federated Learning an...
联邦学习算法“差分隐私”
zyjwjck的博客
03-09 447
此外，根据噪声添加的位置，差分隐私还可以分为输入层差分隐私、隐藏层差分隐私和输出层差分隐私。输入层差分隐私是指在输入数据上添加噪声，隐藏层差分隐私是指在隐藏层的梯度上添加噪声，而输出层差分隐私则是在模型的输出上添加噪声。例如，在金融领域，多家银行可能需要共享模型参数来提高信贷模型的性能，但由于法律和隐私保护的需要，他们不能直接共享客户数据。2. 作用与目的： 联邦学习中的差分隐私主要解决的是如何在进行联邦学习的同时，保护参与者的数据隐私。同时，通过在数据中添加噪声，差分隐私可以防止敏感信息的泄露。
联邦学习中的差分隐私与同态加密
PrimiHub的博客
04-10 2339
联邦学习中的差分隐私与同态加密 随着数据的爆炸式增长和对个人隐私保护意识的提高，隐私保护在机器学习领域中变得愈发重要。
保护数据，构建信任：联邦学习与差分隐私在AI训练中的实践
网罗天下方法，方便你我开发！！！
12-02 1626
在人工智能快速发展的背景下，模型训练对数据隐私保护提出了新的挑战。本文探讨了如何通过联邦学习、差分隐私等方法，在保障用户数据隐私的同时，实现AI模型的高效训练。文章包含示例代码及详细分析，以便读者能将理论付诸实践。联邦学习是一种分布式机器学习方法，在不收集原始数据的情况下，实现跨设备或机构的联合模型训练。通过将数据“留在本地”，减少隐私风险。通过联邦学习与差分隐私技术，可以在保护数据隐私的同时，完成高效的AI模型训练。开发者应根据具体需求选择合适的技术方案。
差分隐私与联邦学习安全原理与代码实战案例讲解
AI天才研究院
05-27 550
1. 背景介绍 随着人工智能(AI)和大数据的快速发展，数据驱动的决策和智能决策越来越成为未来经济增长的主要驱动力。在这样的背景下，如何在保障数据安全的前提下进行数据分析和处理就成为了一个迫切的需求。联邦学习（Federated Learning，简称FL）和差分隐私（Differential Privacy，简称DP）就是为了解决这个问题而出现的技
spreadgnn: serverless multi-task federated learning for graph neural network
04-30
spreadgnn是一种无服务器多任务联邦学习方法，针对图神经网络。联邦学习是一种新兴的机器学习方法，它允许不同设备（例如移动设备）上的数据进行局部训练，然后将训练后的模型聚合，以获得更好的泛化性能。Graph Neural Network是一类可以处理图形和网络数据的神经网络，目前在社交网络、化学和蛋白质结构等领域有广泛应用。 spreadgnn使用无服务器架构设计来实现多任务联邦学习。本方法采用一种名为Federated Averaging的模型聚合方法，它将本地模型分发到各个设备上，让每个设备进行本地模型的训练，并将本地模型更新结果汇聚回全局模型中。spreadgnn还使用了一种名为联邦学习架构的方法来处理不同的联邦学习任务，以提高模型泛化性能。同时，spreadgnn使用了一种名为GraphSage的图神经网络模型，以应对图和网络数据。 总之，spreadgnn在无服务器架构、Federated Averaging、联邦学习架构和GraphSage等方面做出了创新，能够有效地应对多任务联邦学习的挑战。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值