FedCL：面向隐私保护推荐的联邦对比学习
机器学习
2022-04-22 v1
摘要
对比学习被广泛用于推荐模型学习，其中选取具代表性且信息丰富的负样本至关重要。现有方法通常聚焦于集中式数据，其中丰富且高质量的负样本易于获取。然而，集中式用户数据存储与利用可能导致隐私风险与担忧，而单一客户端上的分散用户数据过于稀疏且有偏，难以准确对比学习。本文提出一种名为 FedCL 的联邦对比学习方法，用于隐私保护推荐，其能在良好保护隐私的同时利用高质量负样本进行有效模型训练。我们首先通过各客户端上的本地模型从本地用户数据推断用户嵌入，随后在发送至中心服务器进行困难负采样前以本地差分隐私（LDP）对其加扰。由于个体用户嵌入因 LDP 含重噪声，我们提出在服务器上对用户嵌入聚类以缓解噪声影响，并利用聚类质心从物品池中检索困难负样本。这些困难负样本被传回用户客户端，并与本地数据已观测负样本及由正样本构造的批内负样本混合，用于联邦模型训练。在四个基准数据集上的大量实验表明，FedCL 能以隐私保护方式赋能多种推荐方法。
引用
@article{arxiv.2204.09850,
title = {FedCL: Federated Contrastive Learning for Privacy-Preserving Recommendation},
author = {Chuhan Wu and Fangzhao Wu and Tao Qi and Yongfeng Huang and Xing Xie},
journal= {arXiv preprint arXiv:2204.09850},
year = {2022}
}