超越个人化：基于低秩分解的校准化联邦推荐
密码学与安全
2025-06-12 v1
摘要
联邦推荐（FR）是保护推荐系统中用户隐私的有前景的范式。与一般的联邦场景不同，FR 本质上需要保留客户端特定参数，即用户嵌入，以实现隐私和个性化。然而，我们经验上发现，全局聚合的物品嵌入会导致用户嵌入偏斜，导致性能次优。为此，我们理论上分析了用户嵌入偏斜问题，提出了一种通过低秩分解实现校准化联邦推荐的方法（PFedCLR）。具体而言，PFedCLR 引入一种集成双功能机制，通过缓冲矩阵实现对局部用户嵌入进行校准并个性化全局物品嵌入。为确保效率，我们对缓冲矩阵进行低秩分解以降低模型开销。此外，为了保护隐私，我们在进行个性化处理前训练并上传本地模型，防止服务器访问敏感信息。广泛的实验表明，PFedCLR 有效缓解了用户嵌入偏斜，在性能、效率和隐私之间实现理想的权衡，超越了最先进（SOTA）方法。
引用
@article{arxiv.2506.09525,
title = {Beyond Personalization: Federated Recommendation with Calibration via Low-rank Decomposition},
author = {Jundong Chen and Honglei Zhang and Haoxuan Li and Chunxu Zhang and Zhiwei Li and Yidong Li},
journal= {arXiv preprint arXiv:2506.09525},
year = {2025}
}