FedUD：用于跨平台联邦点击-through率预测的非对齐数据 exploitation
信息检索
2024-07-29 v1 机器学习
摘要
点击-through率（CTR）预测在在线广告平台中发挥重要作用。大多数现有方法仅使用广告平台自身的数据进行CTR预测。由于用户行为也存在于许多其他平台（如媒体平台），进一步利用这些互补信息以更准确地建模用户兴趣并提高CTR预测性能是有益的。然而，由于隐私 concerns，来自不同平台的数据无法上传到服务器进行集中式模型训练。垂直联邦学习（VFL）提供了一种可能的解决方案，能够在各参与方本地保留原始数据并以隐私保护的方式学习协作模型。然而，传统VFL方法仅利用跨方具有公共键的对齐数据，这严重限制了其应用范围。本文提出FedUD，能够在对齐数据之外利用非对齐数据，以实现更精确的联邦CTR预测。FedUD包含两个步骤。在第一步骤中，FedUD类似于传统VFL地利用跨方的对齐数据，但还包括一个知识蒸馏模块。该模块从客方的高级表示中提炼有用知识，并指导表示迁移网络的学习。在第二个步骤中，FedUD将所学知识应用于丰富主机方的非对齐数据表示，以便对齐和非对齐数据都能为联邦模型训练贡献。在两个真实数据集上的实验表明，FedUD在联邦CTR预测方面表现出优越性能。
关键词
引用
@article{arxiv.2407.18472,
title = {FedUD: Exploiting Unaligned Data for Cross-Platform Federated Click-Through Rate Prediction},
author = {Wentao Ouyang and Rui Dong and Ri Tao and Xiangzheng Liu},
journal= {arXiv preprint arXiv:2407.18472},
year = {2024}
}