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

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

评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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