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。发表于：。在与大数据和服务计算相关的应用中，经常会遇到动态连接，特别是 Web 服务中的用户视角质量服务（QoS）的动态数据。本文创新性地设计了一种基于张量的联邦学习模型（FL-LFT），它构建了一个数据密度导向的联邦学习模型，使得独立用户能够在保护用户隐私的同时，协同训练一个全局 LFT 模型。对来自现实世界的 QoS 数据集进行的大量实验验证了 FL-LFT...
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。
