BriefGPT - AI 论文速递
·
基于联邦学习的张量潜在因子分解方法用于隐私保护的 QoS 预测
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于张量的联邦学习模型（FL-LFT），用于处理大数据和服务计算中的动态连接和用户视角质量服务（QoS）的动态数据。实验证明，FL-LFT相较于最先进的联邦学习（FL）方法能显著提高预测准确性。
🎯
关键要点
-
本文介绍了一种基于张量的联邦学习模型（FL-LFT）。
-
FL-LFT用于处理大数据和服务计算中的动态连接和用户视角质量服务（QoS）的动态数据。
-
FL-LFT构建了一个数据密度导向的联邦学习模型。
-
该模型允许独立用户在保护隐私的同时协同训练全局LFT模型。
-
大量实验表明，FL-LFT在预测准确性上显著优于最先进的联邦学习（FL）方法。
➡️
