SecEmb：面向大嵌入的稀疏感知安全联邦推荐系统
密码学与安全
2025-06-10 v2
摘要
联邦推荐系统（FedRec）通过协同训练技术 emerged 作为保护用户数据的解决方案。典型的 FedRec 涉及在边缘设备和服务器之间传输完整模型和整个权重更新，给带宽和计算能力有限的设备造成重大负担。尽管嵌入更新的稀疏性为有效载荷优化提供了机会，但现有的稀疏感知联邦协议通常会为效率牺牲隐私。在设计安全且高效的稀疏感知协议时，一个关键挑战是保护服务器对已评分物品索引的访问。本文提出了无损安全推荐系统方法（SecEmb），SecEmb 在确保服务器对已评分物品索引和单个更新信息（除聚合模型外）均无信息泄露的前提下，减少了用户端的负载。该协议由两个相关模块组成：（1）一个面向隐私保护的嵌入检索模块，允许用户从服务器下载相关嵌入；（2）一个安全聚合模块，在服务器端安全地聚合更新。实证分析表明，与安全 FedRec 协议相比，SecEmb 将下载和上传通信成本分别降低最高可达 90 倍，并将用户端计算时间降低最高可达 70 倍。此外，它在不失真信息压缩方法的非平凡实用性优势方面也表现出色。
引用
@article{arxiv.2505.12453,
title = {SecEmb: Sparsity-Aware Secure Federated Learning of On-Device Recommender System with Large Embedding},
author = {Peihua Mai and Youlong Ding and Ziyan Lyu and Minxin Du and Yan Pang},
journal= {arXiv preprint arXiv:2505.12453},
year = {2025}
}
备注
26 pages, accepted by ICML 2025