隐私与精度兼得
首次为矩阵分解推荐同时保护用户与物品隐私，且收敛速度达到次线性。
Zhou, Wang · 刘志全 · Haq, Amin Ul · 李月卉 · Jiang, Zoe Lin
Information Fusion 2026
通过在每次训练迭代注入噪声并解耦隐私预算计算，同时对用户和物品信息进行扰动，防止敏感信息泄露。
证明模型优化过程具有次线性收敛率，并满足ϵ-差分隐私，确保在隐私保护下快速收敛。
通过设计扰动目标函数与隐私预算分配，在保护隐私的同时维持推荐精度，实现显式权衡。