Federated Binary Matrix Factorization using Proximal Optimization

在许多研究领域中，包括生命科学、社会科学和推荐系统，识别二进制数据中的信息组成部分是一项基本任务。布尔矩阵分解（BMF）是一类方法，通过高效地分解数据来执行此任务。在现实世界中，数据通常分布在利益相关者之间，并要求保持私密性，这禁止了直接应用BMF。为了适应这种情况，我们从联邦学习的角度来解决问题，同时基于最先进的连续二进制矩阵分解松弛到BMF，从而实现了高效的基于梯度的优化。我们建议仅分享松弛的组成部分矩阵，这些矩阵使用正则化二元结果的近端算子在中心进行聚合。我们展示了我们的联邦近端梯度下降算法的收敛性，并提供差分隐私保证。我们广泛的实证评估表明，我们的算法在各种真实世界和合成数据集上的质量和效能方面优于最先进的BMF方法的联邦方案。

论文试图解决如何在保护数据隐私的情况下，使用BMF方法进行信息提取的问题。

使用联邦学习方法，只共享松弛的矩阵分解结果，并使用一个正则化二元输出的近端算子进行集中聚合。同时，使用连续二元矩阵分解方法实现梯度下降优化。

论文提供了差分隐私保护，并证明了联邦近端梯度下降算法的收敛性。在真实数据和合成数据上进行了广泛的实验评估，并表明该算法在质量和效率方面优于现有BMF方法的联邦方案。

在联邦学习和隐私保护方面，相关研究包括Federated Matrix Factorization、Privacy-Preserving Matrix Factorization等。