-
公开(公告)号：CN120012878A
公开(公告)日：2025-05-16
申请号：CN202510094806.X
申请日：2025-01-21
Applicant: 桂林电子科技大学
IPC: G06N3/098 , G06N3/0985 , G06N3/084 , G06Q30/0601 , H04L9/40
Abstract: 本发明涉及隐私保护技术领域，具体涉及一种面向个性化推荐系统的隐私保护联邦学习方法，包括基于个性化商品信息初始化用户向量和项目矩阵；将用户向量更新和计算局部梯度，并请求降噪矩阵；对局部梯度进行加噪，聚合，得到全局噪声梯度；基于降噪矩阵除去全局噪声梯度中的噪声，并更新项目矩阵，迭代终止并输出推荐列表，该方法使得基于本地差分隐私的联邦推荐算法可以实现安全无损的训练模式，且能够解决联邦学习“掉队者效应”导致的模型训练效率低问题，可防止用户评分、局部梯度和推荐结果泄露给服务器的同时，能够达到与明文场景下相同的模型精度。解决了现有的本地差分隐私联邦推荐算法无法兼顾隐私保护程度和模型精度的问题。
Search Results
1
records
(took 0.022 seconds)
筛选
AND
AND
过滤
NOT
NOT
Scan to Join
