LightFR：基于隐私保护矩阵分解的轻量级联邦推荐
信息检索
2022-12-27 v2 密码学与安全
摘要
联邦推荐系统（FRS）使许多本地设备能够在不传输本地原始数据的情况下联合训练共享模型，已成为一种具有隐私保护优势的流行推荐范式。然而，先前关于FRS的工作在连续嵌入空间中通过内积进行相似度搜索，当物品规模极大时会造成效率瓶颈。我们认为，联邦设置中的此类方案忽视了资源受限用户设备（即存储空间、计算开销和通信带宽）的有限能力，并使其更难部署于大规模推荐系统。此外，已有研究表明，服务器与客户端之间以实值形式传输本地梯度可能会泄露用户隐私信息。为此，我们提出了一种基于隐私保护矩阵分解的轻量级联邦推荐框架 LightFR，它能够在联邦设置下利用哈希学习技术生成高质量二值码，从而兼具快速在线推理和经济内存消耗的优点。此外，我们设计了一种高效的联邦离散优化算法，在服务器与客户端之间协同训练模型参数，可有效防止来自恶意方的实值梯度攻击。通过在四个真实世界数据集上的大量实验，我们表明我们的 LightFR 模型在推荐精度、推理效率和数据隐私方面优于几种最先进的FRS方法。
引用
@article{arxiv.2206.11743,
title = {LightFR: Lightweight Federated Recommendation with Privacy-preserving Matrix Factorization},
author = {Honglei Zhang and Fangyuan Luo and Jun Wu and Xiangnan He and Yidong Li},
journal= {arXiv preprint arXiv:2206.11743},
year = {2022}
}
备注
Accepted by ACM Transactions on Information Systems (TOIS)