Sistemas de Recomendação Personalizados Baseados em Aprendizado Federado: Uma Visão Geral sobre Desafios de Segurança e Privacidade

O recente avanço na eletrônica de consumo (CE) de próxima geração criou os problemas de sobrecarga de informações e perda de informações. A importância dos Sistemas de Recomendação Personalizados (PRS) para extrair de forma eficiente e eficaz informações úteis dos usuários é vista como uma solução ideal para fornecer aos usuários conteúdo e serviços personalizados e, portanto, é utilizado em diferentes domínios de aplicação, incluindo saúde, comércio eletrônico, mídias sociais, etc. Segurança e privacidade são os dois principais desafios dos PRS existentes para os dados de CE de próxima geração. O aprendizado federado (FL) tem o potencial de elevar os desafios mencionados anteriormente ao compartilhar parâmetros de recomendação locais, mantendo todos os dados de treinamento no dispositivo e, portanto, é visto como uma técnica promissora para melhorar a segurança e a privacidade nos PRS para os dados de CE de próxima geração. Neste levantamento, primeiro discutimos a melhoria das tecnologias de CE existentes, uma revisão holística dos desafios de segurança e privacidade nos PRS atuais e a vantagem dos PRS baseados em FL para CE de próxima geração. Por fim, listamos algumas questões em aberto e desafios que podem guiar pesquisadores e profissionais a impulsionar ainda mais a pesquisa nesta área promissora.