面向通信高效与公平的联邦个性化序列推荐
信息检索
2022-08-25 v2
摘要
联邦推荐利用联邦学习（FL）技术实现隐私保护推荐。尽管联邦推荐系统近期取得进展，若干关键挑战仍有待解决：(i) 多数联邦推荐模型仅考虑模型性能与隐私保护能力，而忽略通信过程的优化；(ii) 多数联邦推荐器针对异构系统设计，在联邦过程中引发公平性问题；(iii) 许多联邦推荐系统中对个性化技术的探索较少。本文提出一种通信高效且公平的个性化联邦序列推荐算法（CF-FedSR）以应对这些挑战。CF-FedSR 引入通信高效方案，采用自适应客户端选择与基于聚类的采样来加速训练过程。提出一种公平感知的模型聚合算法，可自适应捕捉不同客户端间的数据与性能不平衡，以解决公平性问题。个性化模块借助本地微调与模型适配协助客户端进行个性化推荐并提升推荐性能。大量实验结果展示了所提方法的有效性与高效性。
引用
@article{arxiv.2208.10692,
title = {Towards Communication Efficient and Fair Federated Personalized Sequential Recommendation},
author = {Sichun Luo and Yuanzhang Xiao and Yang Liu and Congduan Li and Linqi Song},
journal= {arXiv preprint arXiv:2208.10692},
year = {2022}
}