论文简介：随着联邦机器学习和推荐系统在隐私偏好建模和个性化方面的结合，出现了一个新的研究分支，称为联邦推荐系统，旨在以分布式的方式构建推荐模型，即每个用户被表示为分布式客户端，其中他/她的原始评分数据不与服务器或其他客户端共享。需要注意的是，除了用户对某一项目的具体评分的敏感信息外，用户对某一项目的评分集的信息也需要得到很好的保护。最近的一些研究建议为每个用户随机抽取一些未评级的项目，然后分配一些虚拟评级，这样服务器就不能在服务器-客户端交互期间轻松识别分数和评级项目集。然而，分配给随机采样项目的虚拟评级将不可避免地在模型训练过程中引入一些噪声，从而导致推荐性能的损失。该工作提出了一种新的无损联邦推荐方法(fedrec++)，该方法通过分配一些去噪客户端(即用户)以隐私感知的方式消除噪声。该工作进一步从安全性和无损性方面分析fedrec++，并在现有工作的背景下讨论了它的通用性。大量的实证研究清楚地表明， fedrec++在提供准确且具有隐私意识的推荐方面是有效的，而且没有太多额外的通信成本。