远近如影：图式联邦推荐中的逆距离加权
机器学习
2025-07-03 v1 分布式、并行与集群计算
信息检索
摘要
图式联邦推荐系统作为传统集中式推荐架构的隐私保护替代方案，常面临数据安全顾虑。尽管联邦学习能够在不暴露原始用户数据的情况下实现个性化推荐，但现有聚合方法忽视了该场景下用户嵌入的独特特性。事实上，传统聚合方法未能考虑其复杂性以及用户相似性在推荐效果中的关键作用。此外，演变中的用户交互需要自适应聚合，同时保持高相关锚点用户（图基框架中展开前的主要用户）的重要影响。为此，我们提出Dist-FedAvg，这是一种新颖的基于距离的聚合方法，旨在增强图式联邦学习中的个性化与聚合效率。该方法为嵌入相似的用户分配更高的聚合权重，同时确保锚点用户在局部更新中保持显著影响。在多个数据集上的经验评估表明，Dist-FedAvg consistently 优于基线聚合技术，提升推荐准确率，同时顺畅集成到现有联邦学习框架中。
引用
@article{arxiv.2507.01285,
title = {Far From Sight, Far From Mind: Inverse Distance Weighting for Graph Federated Recommendation},
author = {Aymen Rayane Khouas and Mohamed Reda Bouadjenek and Hakim Hacid and Sunil Aryal},
journal= {arXiv preprint arXiv:2507.01285},
year = {2025}
}
备注
17 pages, 5 figures