FedSPLIT：基于非负联合矩阵分解与知识蒸馏的一次性联邦推荐系统
机器学习
2022-05-06 v1 信息检索
摘要
带缺失值补全的非负矩阵分解（NMF）是一种众所周知且有效的协同过滤（CF）方法，用于提供个性化用户推荐。然而，传统 CF 依赖于对用户显式与隐式反馈的侵犯隐私的收集以构建中心化推荐模型。一次性联邦学习近来作为一种缓解隐私问题同时解决联邦学习传统通信瓶颈的方法而出现。本文中，我们提出首个无监督的一次性联邦 CF 实现，名为 FedSPLIT，基于 NMF 联合分解。在我们的方案中，客户端首先并行应用本地 CF 以构建不同的客户端特定推荐器。然后，来自每个客户端的隐私保护本地物品模式与偏置被共享给处理器以执行联合分解，从而提取全局物品模式。提取的模式随后被聚合到每个客户端，通过知识蒸馏构建本地模型。在我们的实验中，我们用标准推荐数据集证明了方法的可行性。FedSPLIT 能以通信次数大幅减少取得与最先进（state of the art）相似的结果（在某些情况下甚至超越）。
引用
@article{arxiv.2205.02359,
title = {FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative Joint Matrix Factorization and Knowledge Distillation},
author = {Maksim E. Eren and Luke E. Richards and Manish Bhattarai and Roberto Yus and Charles Nicholas and Boian S. Alexandrov},
journal= {arXiv preprint arXiv:2205.02359},
year = {2022}
}
备注
Pre-print - Under review