South1999

摘要： #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。 # 阅读全文

摘要： #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 阅读全文

摘要： #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 阅读全文

摘要： #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 阅读全文

摘要： #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 阅读全文

摘要： #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 阅读全文

摘要： #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 阅读全文

摘要： #动机 本文是2020年的一篇论文。对于联邦学习框架，之前的工作FCF是针对隐式数据的，它将所有未产生评分的物品都当作是负样本，间接的保护了用户的隐私，但是对于显示数据（例如评分），它求导之后很容易被服务器识别出来，因为求导的式子中只包含有交互的物品(未交互的物品应该是为0)，因此会泄露用户偏好物品 阅读全文

摘要： #动机 本文是2019年华为发布的一篇论文，是首个基于联邦学习范式的推荐框架。传统的推荐系统需要把用户数据上传到服务器然后集中训练模型，但是随着用户的保护隐私意识逐渐加强和与隐私有关的法律颁布，用户可能并不愿意上传自己的数据到服务器，这就给训练推荐模型带来很大问题，因为数据会非常稀少。这时就需要一种 阅读全文

摘要： 本题2213 由单个字符重复的最长子字符串，可以用线段树和珂朵莉树解决，涉及到单点修改和区间查询，关键点在于单点修改后的区间分割与合并。 #线段树方法 我是通过这篇博客学习线段树相关的知识，博主讲的很详细了，比较推荐。 class Solution { public: struct node { i 阅读全文