隐藏你的模型：一种无参数传输的联邦推荐系统
信息检索
2024-02-13 v3
摘要
随着对用户数据隐私担忧的日益增长，联邦推荐系统（FedRec）因其隐私保护能力近期受到显著关注。现有 FedRecs 通常遵循一种学习协议，其中中央服务器与客户端共享全局推荐模型，参与者通过频繁通信模型的公共参数实现协同学习。然而，该学习框架存在两个限制其实用性的缺陷：（1）它需要全局共享的推荐模型；但在现实场景中，与推荐模型相关的信息（包括其算法与参数）构成平台的知识产权。因此，服务提供商不太可能主动释放此类信息。（2）模型参数传输的通信成本高昂，因为模型参数通常是高维矩阵。随着模型规模增大，通信负担将成为此类传统 FedRecs 的瓶颈。鉴于上述局限，本文引入了一种新颖的无参数传输联邦推荐框架，在用户数据隐私与平台模型隐私保护之间取得平衡，即 PTF-FedRec。具体而言，PTF-FedRec 中的参与者通过在隐私保护机制下共享其预测结果来协同交换知识。通过这种方式，中央服务器可在不披露模型参数或访问客户端原始数据的情况下学习推荐模型，同时保护服务器的模型隐私与用户的数据隐私。此外，由于客户端与中央服务器仅需通信仅为几个实数的预测分数，相较于传统 FedRecs 开销显著降低。代码见 \url{https://github.com/hi-weiyuan/PTF-FedRec}。
引用
@article{arxiv.2311.14968,
title = {Hide Your Model: A Parameter Transmission-free Federated Recommender System},
author = {Wei Yuan and Chaoqun Yang and Liang Qu and Quoc Viet Hung Nguyen and Jianxin Li and Hongzhi Yin},
journal= {arXiv preprint arXiv:2311.14968},
year = {2024}
}
备注
Accepted by ICDE2024