具有加性个性化的联邦推荐
机器学习
2024-02-09 v4
摘要
通过联邦学习（FL）构建推荐系统是推进下一代互联网服务与隐私保护的新兴挑战。现有方法通过 FL 训练共享的物品嵌入，同时将用户嵌入保留在客户端私有。然而，对所有客户端相同的物品嵌入无法捕捉用户在对同一物品感知上的个体差异，从而导致个性化效果差。此外，FL 中稠密的物品嵌入会带来高昂的通信成本与延迟。为应对这些挑战，我们提出具有加性个性化的联邦推荐（FedRAP），其通过 FL 学习物品的全局视图，并在每个用户本地学习个性化视图。FedRAP 强制全局视图的稀疏性以节省 FL 的通信成本，并通过正则化鼓励两个视图之间的差异。我们提出了一种有效的课程，以递增的正则化权重逐步学习局部与全局视图。为生成用户推荐，FedRAP 将两视图相加以获得个性化物品嵌入。FedRAP 在多个基准的 FL 设定下取得最佳性能，优于近期联邦推荐方法与若干消融研究基线。
引用
@article{arxiv.2301.09109,
title = {Federated Recommendation with Additive Personalization},
author = {Zhiwei Li and Guodong Long and Tianyi Zhou},
journal= {arXiv preprint arXiv:2301.09109},
year = {2024}
}
备注
9 pages, conference