PDC-FRS：面向联邦推荐系统的隐私保护数据贡献
信息检索
2024-09-13 v1
摘要
联邦推荐系统（FedRecs）因保护用户隐私而在设备端推荐中受到关注。在 FedRecs 中，用户在本地保留数据，仅通过上传模型参数向中心服务器贡献其本地协同信息。虽然该刚性框架在训练期间保护了用户原始数据，但由于以下原因严重损害了推荐模型性能：（1）用户行为数据的幂律分布特性导致单个用户数据点有限，从而导致上传的模型更新可能远离最优；（2）由于每个用户上传的参数来源于其本地数据，缺乏全局协同信息，仅依赖如 FedAvg 等参数聚合方法融合全局协同信息可能并非最优。为弥合此性能差距，我们提出一种新型联邦推荐框架 PDC-FRS。具体而言，我们设计一种隐私保护的数据贡献机制，确保用户在提供差分隐私保障下共享数据。基于共享但扰动后的数据，在原始联邦推荐过程的平行过程中训练辅助模型。该辅助模型通过增强用户的本地数据集并整合全局协同信息来提升 FedRec。为证明 PDC-FRS 的有效性，我们在两个广泛使用的推荐数据集上进行了大量实验。实证结果展示了 PDC-FRS 在基线方法面前的优势。
引用
@article{arxiv.2409.07773,
title = {PDC-FRS: Privacy-preserving Data Contribution for Federated Recommender System},
author = {Chaoqun Yang and Wei Yuan and Liang Qu and Thanh Tam Nguyen},
journal= {arXiv preprint arXiv:2409.07773},
year = {2024}
}