联邦推荐系统的载荷优化方法
机器学习
2021-07-29 v1 人工智能
信息检索
摘要
我们提出了面向联邦推荐系统（FRS）的载荷优化方法。在联邦学习（FL）中，服务器与用户之间传输的全局模型载荷取决于待推荐物品的数量。当物品数量增加时，模型载荷也随之增长。若 FRS 运行于生产模式，这便成为一项挑战。为应对载荷挑战，我们构建了一种多臂老虎机（multi-arm bandit）解决方案，选取部分全局模型并传输给所有用户。该选择过程由一种适用于 FL 系统的新颖奖励函数引导。据我们所知，这是首个旨在解决依赖于物品的载荷问题的优化方法。该方法使用三个基准推荐数据集进行了评估。实证验证确认，所提方法优于那些未利用老虎机进行物品选择的更简单方法。此外，我们通过严格评估载荷削减对推荐性能退化的影响，证明了所提方法的实用性。我们的方法实现了高达 90% 的模型载荷削减，对于高度稀疏数据集仅带来约 4%–8% 的推荐性能损失。
引用
@article{arxiv.2107.13078,
title = {A Payload Optimization Method for Federated Recommender Systems},
author = {Farwa K. Khan and Adrian Flanagan and Kuan E. Tan and Zareen Alamgir and Muhammad Ammad-Ud-Din},
journal= {arXiv preprint arXiv:2107.13078},
year = {2021}
}
备注
15 pages, 3 figures, 4 tables