联合哈希预测潜在因素学习

arXiv:2606.26192v1 公告类型：新 摘要：哈希学习（HL）是一种有效的表示学习方法，可将实值数据映射为紧凑的二进制表示。传统的HL方法通常需要用户将个人数据上传到中央服务器，这与日益严格的数据安全法规不兼容。联邦学习（FL）提供了一种去中心化范例，用于学习全局最优模型，而无需集中私有数据。然而，大多数FL方法依赖于传输大规模实值梯度信息，导致较高的通信开销和潜在的隐私风险。将 HL 集成到 FL 中是一个很有前途的解决方案。然而，现有的 HL 方法受限于二进制代码的表示能力，这可能会降低模型的准确性。为了应对这一挑战，我们提出了联合哈希投影潜在因子（FHPLF）模型。 FHPLF引入了三个关键创新：（a）用二进制类梯度矩阵代替实值梯度矩阵，显着降低计算、存储和通信成本，同时增强隐私保护； (b) 利用投影汉明距离进行相似性建模，捕捉各个二进制位对提高表示能力的重要性； (c) 提出安全二进制梯度重组和隐私增强上传（SBG-PEU）策略，以进一步降低传输过程中用户交互泄漏的风险。对四个真实世界数据集的大量实验表明，FHPLF 始终优于最先进的 HL 和 FL 方法，在准确性、效率和隐私保护之间实现了有利的权衡。