面向移动设备的隐私保护性联邦推荐系统
机器学习
2026-05-29 v2 信息检索
摘要
传统上，移动设备上的个性化内容分发需要将敏感用户数据集中在服务器上，这种做法日益与现代隐私期望和地理监管要求相冲突。我们提出了一个面向移动设备的两阶段联邦推荐系统管道，围绕将非敏感用户偏好数据与从不离开设备的敏感移动上下文数据进行原则性分离。第一阶段在云端运行协同过滤模型，对非敏感 app-context 数据生成相关项目的短列表。第二阶段在设备端对这些候选项目进行重新排序，使用敏感移动信号，只有模型更新/梯度才离开设备。我们在 MovieLens、UCI 人类活动识别和一个专有 pilot 数据集上对该方法进行了验证，并交付了一个可投入生产的 Kotlin Multiplatform 库，可部署在 Android 和 iOS 上。
引用
@article{arxiv.2605.22924,
title = {Building a privacy-preserving Federated Recommender system for mobile devices},
author = {Aasheesh Singh},
journal= {arXiv preprint arXiv:2605.22924},
year = {2026}
}
备注
Masters thesis, Universit\'e de Montr\'eal, Department of Computer Science and Operations Research, 2024