基于私有与部分联邦自编码器的个性化联邦推荐系统
信息检索
2022-12-20 v1
摘要
推荐系统（RSs）在许多应用领域（如数字营销）中已变得愈发重要。传统RS通常需收集用户数据、在服务器端集中并形成全局模型以生成可靠推荐。然而，它们存在两个关键局限：一是个性化问题，即传统训练的RS可能无法为个体用户定制；二是隐私问题，直接共享用户数据不被鼓励。我们提出个性化联邦推荐系统（PersonalFR），其引入基于个性化自编码器的推荐模型并结合联邦学习（FL）以应对这些挑战。PersonalFR保证每个用户可从本地数据集及其他参与用户的数据中学习个人模型，而无需共享本地数据、数据嵌入或模型。PersonalFR包含三个主要组件：学习用户-物品交互的基于自编码器的RS（ARSs）、在本地更新编码器并在服务器端聚合解码器的部分联邦学习（PFL），以及仅计算并传输活跃模型参数的部分压缩（PC）。在两个真实数据集上的大量实验表明，PersonalFR可实现与集中所有用户数据训练相媲美的私有且个性化性能。此外，PersonalFR所需的计算与通信开销显著少于标准FL基线。
引用
@article{arxiv.2212.08779,
title = {Personalized Federated Recommender Systems with Private and Partially Federated AutoEncoders},
author = {Qi Le and Enmao Diao and Xinran Wang and Ali Anwar and Vahid Tarokh and Jie Ding},
journal= {arXiv preprint arXiv:2212.08779},
year = {2022}
}