多模态增强的联邦推荐：一种组级融合方法
信息检索
2026-03-02 v2
摘要
联邦推荐（FR）是一种新的学习范式，用于以保护隐私的方式解决学习排序问题。如何在联邦推荐中集成多模态特征仍然是效率、分布异质性和细粒度对齐方面的开放挑战。为应对这些挑战，我们提出了一种新颖的联邦推荐设置下的多模态融合机制（GFMFR）。具体而言，它将多模态表示学习卸载到服务器，服务器存储物品内容并使用高容量编码器生成表达性表示，从而减轻客户端开销。此外，一种组感知物品表示融合方法实现了相似用户之间的细粒度知识共享，同时保留个体偏好。所提出的融合损失可以简单地插入任何现有的联邦推荐系统，通过添加多模态特征来增强其能力。在五个公开基准数据集上的大量实验证明，GFMFR 一致优于最先进的单模态联邦推荐基线。
引用
@article{arxiv.2509.19955,
title = {Multimodal-enhanced Federated Recommendation: A Group-wise Fusion Approach},
author = {Chunxu Zhang and Weipeng Zhang and Guodong Long and Zhiheng Xue and Riting Xia and Bo Yang},
journal= {arXiv preprint arXiv:2509.19955},
year = {2026}
}
备注
Accepted at WWW 2026