Federated against the cold: A trust-based federated learning approach to counter the cold start problem in recommendation systems

Abdul Wahab, Omar; Rjoub, Gaith; Bentahar, Jamal; Cohen, Robin; Abdul Wahab, Omar; Rjoub, Gaith; Bentahar, Jamal; Cohen, Robin

Federated against the cold: A trust-based federated learning approach to counter the cold start problem in recommendation systems

Omar Abdul Wahab , Gaith Rjoub, Jamal Bentahar, Robin Cohen

Article de revue (2022)

Document publié alors que les auteurs ou autrices n'étaient pas affiliés à Polytechnique Montréal

Accéder à ce document

Lien externe

Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel

Voir chez l'éditeur officiel

Adresse URL de PolyPublie:

https://publications.polymtl.ca/51426/

Titre de la revue :

Information Sciences ( vol. 601 )

Maison d'édition:

Science Direct

DOI:

10.1016/j.ins.2022.04.027

URL officielle:

https://doi.org/10.1016/j.ins.2022.04.027

OAI:

oai:publications.polymtl.ca:51426

ORCID

Date du dépôt:

18 avr. 2023 14:58

Dernière modification:

14 oct. 2026 14:08

Citer en APA 7:

Abdul Wahab, O., Rjoub, G., Bentahar, J., & Cohen, R. (2022). Federated against the cold: A trust-based federated learning approach to counter the cold start problem in recommendation systems. Information Sciences, 601, 189-206. https://doi.org/10.1016/j.ins.2022.04.027

Statistiques

Dimensions

Actions réservées au personnel

Afficher document