Efficient-FedRec：面向隐私保护新闻推荐的高效联邦学习框架
信息检索
2023-05-31 v3
摘要
新闻推荐对于个性化新闻获取至关重要。大多数现有新闻推荐方法依赖集中存储用户的历史新闻点击行为数据，这可能导致隐私问题和危害。联邦学习是一种隐私保护框架，使多个客户端能够在不共享其私有数据的情况下协作训练模型。然而，以联邦方式直接学习许多现有新闻推荐模型的计算和通信成本对用户客户端而言是不可接受的。本文中，我们提出了一种面向隐私保护新闻推荐的高效联邦学习框架。我们不是训练和通信整个模型，而是将新闻推荐模型分解为服务器中维护的大型新闻模型和服务器与客户端共享的轻量级用户模型，其中新闻表示和用户模型在服务器与客户端之间通信。更具体地，客户端从服务器请求用户模型和新闻表示，并将其本地计算的梯度发送至服务器进行聚合。服务器用聚合梯度更新其全局用户模型，并进一步更新其新闻模型以推断更新的新闻表示。由于本地梯度可能包含私有信息，我们提出了一种安全聚合方法以隐私保护方式聚合梯度。在两个真实世界数据集上的实验表明，我们的方法能在保持良好模型性能的同时降低客户端上的计算和通信成本。
引用
@article{arxiv.2109.05446,
title = {Efficient-FedRec: Efficient Federated Learning Framework for Privacy-Preserving News Recommendation},
author = {Jingwei Yi and Fangzhao Wu and Chuhan Wu and Ruixuan Liu and Guangzhong Sun and Xing Xie},
journal= {arXiv preprint arXiv:2109.05446},
year = {2023}
}