FedCIA：面向隐私保护推荐的联邦协作信息聚合
信息检索
2025-04-22 v1
摘要
推荐算法依赖用户历史交互数据以提供个性化建议，这引发了显著的隐私 concerns。联邦推荐算法通过结合本地模型训练与服务器端模型聚合来解决此问题，其中大多数现有算法使用统一加权求和来聚合来自不同客户端模型的物品嵌入。这一方法存在三个主要局限性：1）聚合过程中信息损失；2）未能保留个性化本地特征；3）与无参数推荐算法不兼容。为此，我们首先回顾了推荐算法的发展，认识到其核心功能是共享协作信息，即用户与物品之间的全局关系。基于此，我们提出一种名为协作信息聚合的新型聚合范式，侧重于共享协作信息而非物品参数。基于此新范式，我们引入一种用于隐私保护推荐的联邦协作信息聚合方法（FedCIA）。该方法要求每个客户端上传物品相似矩阵进行聚合，允许客户端在不将嵌入限制到统一向量空间的情况下对齐其本地模型。因此，它缓解了直接求和导致的信息损失，保留了各个客户端个性化嵌入分布，并支持无参数模型的聚合。理论分析和在真实数据集上的实验结果表明，FedCIA在多个方面优于当前最先进的联邦推荐算法。代码已公开于 https://github.com/Mingzhe-Han/FedCIA。
引用
@article{arxiv.2504.14208,
title = {FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation},
author = {Mingzhe Han and Dongsheng Li and Jiafeng Xia and Jiahao Liu and Hansu Gu and Peng Zhang and Ning Gu and Tun Lu},
journal= {arXiv preprint arXiv:2504.14208},
year = {2025}
}