面向稀疏和被污染数据的联邦顺序推荐的鲁棒聚合
信息检索
2026-03-02 v1
摘要
联邦顺序推荐将模型训练分布在用户设备上，以便行为数据保持本地，从而降低隐私风险。然而，这一设置引入了两个交织的难题。一方面，单个客户端通常仅贡献短而高度稀疏的交互序列，这限制了所学用户表示的可靠性。另一方面，联邦优化过程容易受到恶意或被污染的客户端更新的影响，其中被毒化的梯度会显著扭曲全局模型。这些挑战在顺序推荐中尤为严峻，因为时间动态进一步复杂化了信号聚合。为此，我们提出了一个针对稀疏和对抗条件下联邦顺序推荐的鲁棒聚合框架。我们不依赖标准平均值，而是引入一种防御感知的聚合机制，以识别和降低不可靠的客户端更新，同时保留来自稀疏但良好参与者的有用信号。该框架集成了表示级别的约束，以稳定用户和物品嵌入，防止被毒化或异常的贡献主导全局参数空间。此外，我们集成了序列感知的正则化，以在本地观察有限的情况下维持用户建模中的时间一致性。
引用
@article{arxiv.2602.23982,
title = {Robust Aggregation for Federated Sequential Recommendation with Sparse and Poisoned Data},
author = {Minh Hieu Nguyen},
journal= {arXiv preprint arXiv:2602.23982},
year = {2026}
}