Loading...
Publication
Aprendizagem Federada para sistemas de recomendação escaláveis e com privacidade entre domínios
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.71 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The Environment Adaptive Recommendation System (EARS) project is an innovative initiative that addresses critical challenges in modern recommendation systems, including hybrid recommendation techniques, personalization, data privacy, explainability, and cross-domain adaptability. Within this broader context, the main objective of this thesis is to investigate the viability of Federated learning (FL) for cross-domain recommendation systems, with the specific goals of evaluating its privacy-preserving properties, analyzing its ability to support
cross-domain knowledge transfer, and comparing its effectiveness with centralized and transfer learning approaches. The theoretical analysis focuses primarily on federated learning, examining its potential to improve scalability, adaptability, and privacy in recommendation systems. Key concepts such as data partitioning, federated architectures, and privacy-enhancing techniques are discussed, together with the challenges and mitigations in real-world applications. Transfer learning and explainable AI are also briefly considered as complementary approaches, providing additional insights into knowledge transfer and transparency. The research is then complemented by an experimental validation on real-world datasets, where multiple learning strategies were designed and compared. A dedicated workflow pipeline was developed that includes dataset preparation, model architecture, federated orchestration, and evaluation metrics tailored to cross-domain recommendation. Two scenarios were explored, first comparing federated and centralized learning and second comparing federated and transfer learning to evaluate knowledge transfer across domains with varying
similarity. These experiments provide concrete evidence of how federated learning performs in realistic cross-domain scenarios, highlighting both its advantages and its limitations relative to alternative approaches.
By combining theoretical analysis and experimental validation, this thesis contributes to the development of scalable, privacy-preserving, and cross-domain recommendation systems. These results reinforce the role of federated learning as a promising solution for industries such as e-commerce and healthcare, where collaboration without compromising data privacy is crucial.
O projeto EARS é uma iniciativa inovadora que procura resolver desafios críticos nos sistemas de recomendação modernos, nomeadamente a utilização de técnicas híbridas, a personalização, a proteção da privacidade dos dados, a explicabilidade e a adaptabilidade entre diferentes domínios. Dentro do contexto mais amplo, o principal objetivo desta dissertação é investigar a viabilidade da aprendizagem federada em sistemas de recomendação entre domínios, com o objetivo específico de avaliar as propriedades de preservação da privacidade, analisar a capacidade de suportar a transferência de conhecimento entre domínios e comparar a eficácia com abordagens centralizadas e de transferência de aprendizagem. A análise teórica centra-se sobretudo na aprendizagem federada, onde é analisado o potencial da abordagem para melhorar a escalabilidade, a adaptabilidade e a privacidade em sistemas de recomendação. São discutidos conceitos chave como a partição de dados, arquiteturas federadas e técnicas de reforço da privacidade, juntamente com os desafios e respetivas formas de mitigação em cenários reais. A aprendizagem por transferência e a inteligência artificial explicável são também consideradas como abordagens complementares, de modo a fornecer perspetivas adicionais sobre a transferência de conhecimento e a transparência. A investigação é complementada por uma validação experimental com conjuntos de dados reais, onde foram concebidas e comparadas várias estratégias de aprendizagem. Foi desenvolvido um fluxo de processos para avaliar as abordagens, incluindo preparação de dados, arquitetura dos modelos, orquestração federada e métricas de avaliação adaptadas a recomendações entre domínios. Deste modo, foram explorados dois cenários, o primeiro compara aprendizagem federada e aprendizagem centralizada, e o segundo compara aprendizagem federada e aprendizagem por transferência, de modo a avaliar a transferência de conhecimento entre domínios com diferentes níveis de similaridade. Estas experiências fornecem evidências sobre o desempenho da aprendizagem federada em cenários realistas de recomendação entre domínios, destacando tanto as vantagens como as limitações relativamente a abordagens alternativas. Ao combinar a análise teórica e a validação experimental, esta dissertação contribui para o desenvolvimento de sistemas de recomendação escaláveis, que preservam a privacidade e que são capazes de operar entre vários domínios. Os resultados obtidos reforçam o papel da aprendizagem federada como uma solução promissora para setores como o comércio eletrónico e a saúde, onde a colaboração entre entidades não deve comprometer a privacidade dos dados.
O projeto EARS é uma iniciativa inovadora que procura resolver desafios críticos nos sistemas de recomendação modernos, nomeadamente a utilização de técnicas híbridas, a personalização, a proteção da privacidade dos dados, a explicabilidade e a adaptabilidade entre diferentes domínios. Dentro do contexto mais amplo, o principal objetivo desta dissertação é investigar a viabilidade da aprendizagem federada em sistemas de recomendação entre domínios, com o objetivo específico de avaliar as propriedades de preservação da privacidade, analisar a capacidade de suportar a transferência de conhecimento entre domínios e comparar a eficácia com abordagens centralizadas e de transferência de aprendizagem. A análise teórica centra-se sobretudo na aprendizagem federada, onde é analisado o potencial da abordagem para melhorar a escalabilidade, a adaptabilidade e a privacidade em sistemas de recomendação. São discutidos conceitos chave como a partição de dados, arquiteturas federadas e técnicas de reforço da privacidade, juntamente com os desafios e respetivas formas de mitigação em cenários reais. A aprendizagem por transferência e a inteligência artificial explicável são também consideradas como abordagens complementares, de modo a fornecer perspetivas adicionais sobre a transferência de conhecimento e a transparência. A investigação é complementada por uma validação experimental com conjuntos de dados reais, onde foram concebidas e comparadas várias estratégias de aprendizagem. Foi desenvolvido um fluxo de processos para avaliar as abordagens, incluindo preparação de dados, arquitetura dos modelos, orquestração federada e métricas de avaliação adaptadas a recomendações entre domínios. Deste modo, foram explorados dois cenários, o primeiro compara aprendizagem federada e aprendizagem centralizada, e o segundo compara aprendizagem federada e aprendizagem por transferência, de modo a avaliar a transferência de conhecimento entre domínios com diferentes níveis de similaridade. Estas experiências fornecem evidências sobre o desempenho da aprendizagem federada em cenários realistas de recomendação entre domínios, destacando tanto as vantagens como as limitações relativamente a abordagens alternativas. Ao combinar a análise teórica e a validação experimental, esta dissertação contribui para o desenvolvimento de sistemas de recomendação escaláveis, que preservam a privacidade e que são capazes de operar entre vários domínios. Os resultados obtidos reforçam o papel da aprendizagem federada como uma solução promissora para setores como o comércio eletrónico e a saúde, onde a colaboração entre entidades não deve comprometer a privacidade dos dados.
Description
Keywords
Federated Learning Recommendation Systems Cross-Domain Privacy Scalability Personalization Aprendizagem federada Sistemas de recomendação Adaptabilidade Privacidade Escalabilidade Personalização