FedGRec：面向跨境推荐的动态时空联邦图学习
机器学习
2025-05-27 v1 人工智能
摘要
由于某些数据在跨境共享方面极其敏感，跨境协作推荐和数据共享常因严格的隐私保护法规而受限，导致数据不足以进行模型训练。因此，在确保隐私安全的前提下实现高效的跨境业务推荐，是一个显著的挑战。虽然联邦学习在不暴露原始数据的情况下展示了广泛的潜力，但大多数现有基于联邦学习的图神经网络训练方法仍依赖联邦平均策略，在处理高度异构的图数据时表现不佳。为此，我们提出FedGRec，这是一种面向跨境推荐的隐私保护联邦图学习方法。FedGRec从分布式的多域数据中捕获用户偏好，以无需泄露隐私的方式提升跨域推荐性能。具体而言，FedGRec利用与用户或物品相关的局部子图所捕获的协同信号，以丰富其表征学习。此外，它采用动态时空建模，根据业务推荐状态实时整合全局和局部用户偏好，从而得出目标用户和候选物品的最终表征。通过自动筛选相关行为，FedGRec有效缓解了不可靠邻居噪声干扰。 Furthermore, 通过一种自适应的联邦聚合策略，FedGRec 将全局偏好适应异构域数据，实现跨多个域用户偏好协同学习。在三个数据集上进行的大量实验表明，FedGRec 在各种单域和跨域基准中均显著优于竞争方法，同时在跨境推荐中有效维护数据隐私。
引用
@article{arxiv.2505.18177,
title = {FedGRec: Dynamic Spatio-Temporal Federated Graph Learning for Secure and Efficient Cross-Border Recommendations},
author = {Zhizhong Tan and Jiexin Zheng and Xingxing Yang and Chi Zhang and Weiping Deng and Wenyong Wang},
journal= {arXiv preprint arXiv:2505.18177},
year = {2025}
}