针对边缘计算任务卸载中的位置隐私泄露问题,使用位置K-匿名技术为进行任务卸载的智能终端设备生成K-匿名区域,终端设备的任务通过K-匿名区域中的所有终端设备进行任务卸载,从而保护终端设备的位置隐私。提出了一种基于强化学习的位置...针对边缘计算任务卸载中的位置隐私泄露问题,使用位置K-匿名技术为进行任务卸载的智能终端设备生成K-匿名区域,终端设备的任务通过K-匿名区域中的所有终端设备进行任务卸载,从而保护终端设备的位置隐私。提出了一种基于强化学习的位置隐私保护任务卸载(Reinforcement Learning Based Location Privacy Protection Mechanism for Task Offloading,RL-LPTO)算法,通过部署Actor和Critic网络来优化任务卸载决策,同时保护位置隐私,并在每个终端设备上设计了双部分Actor网络结构以实现任务转发和卸载决策,从而实现对智能体的训练并优化任务卸载的时延和能耗。仿真实验结果表明,RL-LPTO算法在保护位置隐私的同时将任务卸载性能的代价降低为基准算代价平均值的55%。展开更多
跨域推荐技术通过深入挖掘及利用其他域的有用信息,有效提升目标域的推荐表现,为解决用户冷启动问题提供了一种有效途径。然而,当前跨域推荐方法存在局限,未能细粒度地扩展隐式关系,并且忽视了嵌入向量中可能包含的冗余信息,从而制约了...跨域推荐技术通过深入挖掘及利用其他域的有用信息,有效提升目标域的推荐表现,为解决用户冷启动问题提供了一种有效途径。然而,当前跨域推荐方法存在局限,未能细粒度地扩展隐式关系,并且忽视了嵌入向量中可能包含的冗余信息,从而制约了跨域推荐系统的性能。鉴于此,提出一种基于域内和域间元路径聚合的跨域推荐方法,IMCDR(intra-domain and inter-domain meta-paths aggregation based cross-domain recommendation)。IMCDR首先通过细粒度地计算实体多字段的语义嵌入,有效扩展用户-用户和物品-物品关系;然后,IMCDR基于域内元路径和域间元路径为每个节点分别生成私有特征和共享特征,并将它们有效融合,以获得更高质量的嵌入向量。在三个跨域推荐任务上的综合实验结果表明,IMCDR在有效性和性能上具有明显优势。展开更多
文摘针对边缘计算任务卸载中的位置隐私泄露问题,使用位置K-匿名技术为进行任务卸载的智能终端设备生成K-匿名区域,终端设备的任务通过K-匿名区域中的所有终端设备进行任务卸载,从而保护终端设备的位置隐私。提出了一种基于强化学习的位置隐私保护任务卸载(Reinforcement Learning Based Location Privacy Protection Mechanism for Task Offloading,RL-LPTO)算法,通过部署Actor和Critic网络来优化任务卸载决策,同时保护位置隐私,并在每个终端设备上设计了双部分Actor网络结构以实现任务转发和卸载决策,从而实现对智能体的训练并优化任务卸载的时延和能耗。仿真实验结果表明,RL-LPTO算法在保护位置隐私的同时将任务卸载性能的代价降低为基准算代价平均值的55%。
文摘跨域推荐技术通过深入挖掘及利用其他域的有用信息,有效提升目标域的推荐表现,为解决用户冷启动问题提供了一种有效途径。然而,当前跨域推荐方法存在局限,未能细粒度地扩展隐式关系,并且忽视了嵌入向量中可能包含的冗余信息,从而制约了跨域推荐系统的性能。鉴于此,提出一种基于域内和域间元路径聚合的跨域推荐方法,IMCDR(intra-domain and inter-domain meta-paths aggregation based cross-domain recommendation)。IMCDR首先通过细粒度地计算实体多字段的语义嵌入,有效扩展用户-用户和物品-物品关系;然后,IMCDR基于域内元路径和域间元路径为每个节点分别生成私有特征和共享特征,并将它们有效融合,以获得更高质量的嵌入向量。在三个跨域推荐任务上的综合实验结果表明,IMCDR在有效性和性能上具有明显优势。
