原型对齐的联邦软提示用于持续网络个性化
机器学习
2026-03-31 v1
摘要
持续网络个性化对于用户参与度至关重要，但现实中的非平稳性和隐私约束使得在不遗忘长期偏好的情况下快速适应变得困难。我们针对这一差距寻求一种隐私意识强、参数高效的接口，该接口在用户/会话层面控制稳定性-可塑性，并将用户记忆锚定到共享的语义先验。我们提出 ProtoFed-SP，一个基于提示的框架，将双时间尺度的软提示注入冻结的主干网络：一个快速稀疏的短期提示跟踪会话意图，而一个缓慢的长期提示锚定到一个小的服务器端原型库，该库通过差分隐私联邦聚合持续刷新。查询被路由到 Top-M 原型以组成个性化提示。在八个基准数据集上，ProtoFed-SP 相比最强的基线将 NDCG@10 提升了 +2.9%，HR@10 提升了 +2.0%，在 Amazon-Books（+5.0% NDCG vs. INFER）、H&M（+2.5% vs. Dual-LoRA）和 Taobao（+2.2% vs. FedRAP）上表现尤为突出。它还降低了遗忘度（AF）和达到 95% 性能所需的步数，并在实际差分隐私预算下保持了准确性。我们的贡献是一个统一的、隐私感知的提示接口，通过原型锚定实现了鲁棒的持续个性化，并提供了一个透明、可控的机制来在部署中平衡稳定性和可塑性。
引用
@article{arxiv.2603.27678,
title = {Prototype-Aligned Federated Soft-Prompts for Continual Web Personalization},
author = {Canran Xiao and Liwei Hou},
journal= {arXiv preprint arXiv:2603.27678},
year = {2026}
}
备注
Accepted by WWW 2026