用基础模型导航联邦推荐系统的未来

联邦推荐系统（FRSs）通过去中心化数据存储，提供了一种保护隐私的传统集中式方法的替代方案。然而，由于客户端环境的隔离，它们面临着数据稀疏性和异质性等持续挑战。基础模型（FMs），特别是像ChatGPT这样的大型语言模型的最新进展，为通过强大的跨任务知识转移克服这些问题提供了机会。在这篇立场论文中，我们系统地研究了FRSs和FMs的融合，阐述了FM增强框架如何显著改善客户端个性化、通信效率和服务器端聚合。我们还深入探讨了这种集成带来的关键挑战，包括隐私-安全权衡、非独立同分布数据以及联邦设置中的资源约束，并提出了多模态推荐、实时FM适应和可解释联邦推理等领域的潜在研究方向。通过将FRSs与FMs统一起来，我们的立场论文为推进保护隐私、高性能的推荐系统提供了一个前瞻性的路线图，这些系统充分利用大规模预训练知识来增强本地性能。