Systémes de Recommandation Fédérés

Abstract

Les systémes de recommandation reposent sur les données. Plus les donn ´ees utilisées sont nombreuses, meilleure est la performance du systéme. Le probléme du stockage centralisé des données constitue une contrainte majeure pour la performance des systémes de recommandation. En raison des contraintes de confidentialité et de sécurité, le partage direct des données utilisateur entre les parties n’est pas souhaitable. L’apprentissage fédéré est une technique qui aide `a surmonter les probl` emes de stockage centralis´e des donn´ees et `a construire des mod`eles d’apprentissage automatique sans compromettre la confidentialité et la sécurit ´e des donn´ees des utilisateurs. Récemment, l’apprentissage fédéré a été intégré dans les systémes de recommandation pour protéger la confidentialit ´e des utilisateurs. Cependant, ces syst`emes font face `a des d´efis tels que la confidentialit´e, la s´ecurit´e, la variabilit´e et les coˆuts de communication. L’objectif de cette ´etude est d’explorer les techniques de recommandation dans le domaine des syst`emes de recommandation fédérés.***

Recommender systems rely on data. The more data used, the better the system’s performance. The issue of centralized data storage poses a significant constraint on the performance of recommender systems. Due to privacy and security constraints, direct sharing of user data between parties is not desirable. Federated learning is a technique that helps overcome the challenges of centralized data storage and build machine learning models without compromising the privacy and security of user data. Recently, federated learning has been integrated into recommender systems to protect user privacy. However, these systems face challenges such as privacy, security, variability, and communication costs. The objective of this study is to explore recommendation techniques in the field of federated recommendation systems.