福州大学软工1917 | A 班-
Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach阅读笔记
#动机 本文是2021年ICML上的一篇论文。通常，推荐系统通过将用户对物品的评分矩阵分解为两个低维隐向量矩阵的乘积(不利用其他信息)，然而这种方式使得很难即时处理新用户。作者针对以上问题，提出了为IDCF模型，它的核心思想是对数据集中一部分用户(例如有较多交互数据的用户)进行正常的训练得到embe -
笔记-2022.05.26
推荐的架构包括一个深度特征提取器（绿色）和一个深度标签预测器（蓝色），它们共同构成一个标准的前馈架构。无监督的领域适应是通过添加一个领域分类器（红色）来实现的，该分类器通过一个梯度反转层与特征提取器相连，在基于反向传播的训练过程中，梯度乘以某个负常数。否则，训练将以标准方式进行，并使标签预测损失（对 -
MeLU Meta-Learned User Preference Estimator for Cold-Start Recommendation阅读笔记
#动机 本文是2019年KDD上的一篇论文。现有的推荐系统探索新用户偏好时，通常是向用户提供一系列物品作为候选池，然后根据用户在候选池中选择交互的物品提出推荐建议。这样的方法有一些局限性：1.对只有少量交互物品的用户提供的推荐较差。2.候选池中的物品可能并不能真正体现出用户的偏好。作者提出了一种基于 -
Meta Matrix Factorization for Federated Rating Predictions阅读笔记
#动机 本文是2020年SIGIR上的一篇论文。之前的大多数研究联邦推荐系统的工作忽略了移动设备的存储、计算能力、通信带宽等方面的限制，本文针对这个问题，提出了MetaMF，它通过为每个移动设备生成物品私有嵌入向量和预测模型，使移动设备在使用一个较小的私人化的模型情况下，可以取得一个较好的效果。 # -
Fast-adapting and Privacy-preserving Federated Recommender System阅读笔记
#动机 本文是2021年VLDBJ上的一篇论文。在联邦推荐系统中，存在着数据异质性的问题，一些用户与物品有很多交互，而一些用户与物品交互很少，传统的联邦推荐利于活跃用户的推荐，而几乎忽略那些不活跃的用户(这部分用户占比非常大)。同时，某些恶意用户还会尝试获取用户私有信息。为了解决以上问题，本文作者提 -
FedFast: Going Beyond Average for Faster Training of Federated Recommender Systems阅读笔记
#动机 本文是2020年KDD上的一篇论文。传统的联邦推荐在每一轮随机选择用户参与训练，并简单地使用它们的局部模型平均来计算全局模型，但是这种方式需要大量客户端训练多轮才能收敛到一个令人满意的效果。本文提出的FedFast可以加速训练过程，并且可以获得一个准确性更高的模型。 #算法 以下是FedFa -
Hierarchical Personalized Federated Learning for User Modeling阅读笔记
#动机 本文是2021年WWW上发表的一篇论文。现有的联邦学习方法大多是针对一致的客户端设计的，但是现实情况是不同客户端通常存储不同的数据，具体来说有以下问题：1.统计异构性，不同客户端的数据不总是独立同分布的，这将会导致个性化的客户端。2.隐私异构性，用户数据隐私级别不同，有些是可以公开的，有些必 -
FedGNN: Federated Graph Neural Network for Privacy-Preserving Recommendation阅读笔记
#动机 本文是2021年ICML上的一篇论文。通常基于GNN的推荐系统模型是需要将用户与物品的交互图集中在一起进行学习，但这可能会造成用户隐私泄露。本文提出的FedGNN框架可以从分散的用户数据中训练GNN模型，同时保护用户隐私，该模型可以和普通的图神经网络一样捕获到高阶交互(邻居)，以达到更好的效 -
FedRec++: Lossless Federated Recommendation with Explicit Feedback阅读笔记
#动机 本文是2021年AAAI上的一篇论文。本篇论文是在FedRec基础上提出的，在FedRec框架中，对于每个用户需要去采样一些该用户未有过交互的物品作为它的虚拟交互物品以达到隐私保护的目的，但是这一做法会引入噪声，因为实际上用户并没有给出这些虚拟交互物品评分。本文所提出的FedRec++通过分 -
FAIR: Quality-Aware Federated Learning with Precise User Incentive and Model Aggregation阅读笔记
#动机 本文是2021年infocom上的一篇论文。联邦学习面临着两大挑战:1.用户可能并不愿意参与到学习中，因为该学习消耗计算资源和精力。2.每个用户提供的更新质量不同，低质量的模型更新会破坏整体模型的性能。针对以上问题，作者提出了FAIR系统来解决上述问题，该系统通过评估用户学习质量来促进精确的