FedRec+：增强隐私并解决联邦推荐系统中的异质性问题
机器学习
2023-11-01 v1 密码学与安全
信息检索
摘要
保护边缘用户隐私并降低通信成本在推荐系统中构成重大挑战。尽管联邦学习已证明可通过避免客户端与服务器间的数据交换来有效保护隐私，但已有研究表明服务器能基于用户连续两轮上传的梯度中更新的非零梯度推断用户评分。此外，联邦推荐系统（FRS）面临异质性挑战，导致推荐性能下降。本文提出 FedRec+，一种用于 FRS 的集成框架，在增强隐私的同时应对异质性挑战。FedRec+ 基于特征相似度进行最优子集选择，仅利用用户本地信息为伪物品生成近最优虚拟评分。该方法在不产生额外通信成本的情况下降低噪声。进一步，我们利用 Wasserstein 距离估计各客户端的异质性与贡献度，并通过求解定义的优化问题导出最优聚合权重。实验结果表明 FedRec+ 在各种参考数据集上均达到 SOTA 性能。
引用
@article{arxiv.2310.20193,
title = {FedRec+: Enhancing Privacy and Addressing Heterogeneity in Federated Recommendation Systems},
author = {Lin Wang and Zhichao Wang and Xi Leng and Xiaoying Tang},
journal= {arXiv preprint arXiv:2310.20193},
year = {2023}
}
备注
Accepted by 59th Annual Allerton Conference on Communication, Control, and Computing