面向设备端POI推荐的模型无关去中心化协同学习
信息检索
2023-04-11 v1
摘要
作为基于位置的社交网络(LBSNs)中不可或缺的个性化服务，下一兴趣点(POI)推荐旨在帮助人们发现有吸引力和有趣的地方。目前，大多数POI推荐系统基于传统的集中式范式，严重依赖云端利用收集到的大量用户敏感签到数据训练推荐模型。尽管近期少数工作探索了用于弹性和隐私保护POI推荐的设备端框架，但它们无一例外地假设模型同构以进行参数/梯度聚合与协作。然而，现实世界中用户的移动设备具有多样的硬件配置（如计算资源），导致具有不同架构和规模的异构设备端模型。有鉴于此，我们提出一种新颖的设备端POI推荐框架，即面向设备端POI推荐的模型无关协同学习(MAC)，允许用户自定义自己的模型结构（如维度与隐藏层数量）。为抵消设备端用户数据的稀疏性，我们提出基于物理距离、类别级偏好和社交网络为协作预选邻居。为以高效且安全的方式从上述选定邻居中吸收知识，我们采用互信息最大化的知识蒸馏框架。MAC中的客户端仅共享其在预加载参考数据集上的软决策，而非共享敏感模型/梯度。为过滤低质量邻居，我们提出两种采样策略，性能触发采样与基于相似度的采样，以加速训练过程并获得最优推荐器。此外，我们设计了两种新颖的方法来生成更有效的参考数据集，同时保护用户隐私。
引用
@article{arxiv.2304.03947,
title = {Model-Agnostic Decentralized Collaborative Learning for On-Device POI Recommendation},
author = {Jing Long and Tong Chen and Nguyen Quoc Viet Hung and Guandong Xu and Kai Zheng and Hongzhi Yin},
journal= {arXiv preprint arXiv:2304.03947},
year = {2023}
}