面向跨域推荐的联邦图学习
光学
2024-10-14 v1 应用物理
摘要
跨域推荐 (Cross-domain recommendation, CDR) 通过在源域和目标域之间传输知识，为解决数据稀疏问题提供了可行方案。然而，许多近期的CDR模型忽视了诸如隐私以及负迁移风险（可能负面影响模型性能）等关键问题，尤其是在多域设置下更为突出。为此，本文提出FedGCDR，一个新型的联邦图学习框架，用于安全且有效地利用来自多个源域的正向知识。首先，我们设计了正向知识传递模块，确保在域间知识传输期间保持隐私。该模块采用基于差分隐私的知识提取结合特征映射机制，将来自联邦图注意力网络的源域嵌入转化为可靠的域知识。其次，我们设计了知识激活模块，以过滤来自源域的潜在有害或冲突性知识，解决负迁移问题。该模块通过扩充目标域的图谱生成可靠的域注意力，并针对负向知识进行精细调优以提高预测准确性。我们在包含16个热门亚域的Amazon数据集上进行了大量实验，结果表明FedGCDR显著优于当前最先进的方法。
引用
@article{arxiv.2410.08248,
title = {Dual-band Photonic Filters with Wide Tunable Range Using Chirped Sampled Gratings},
author = {Siemng Zhu and Bocheng Yuan and Weiqing Cheng and Yizhe Fan and Yiming Sun and Mohanad Al-Rubaiee and Jehan Akbar and John H. Marsh and Lianping Hou},
journal= {arXiv preprint arXiv:2410.08248},
year = {2024}
}
备注
5 pages, 5 figures. arXiv admin note: substantial text overlap with arXiv:2410.07788