ICLR 2024 | UTS提出全新联邦推荐算法:从全面个性化过渡到加性个性化
©PaperWeekly 原创 · 作者 | 李志伟
单位 | 悉尼科技大学博士生
研究方向 | 联邦推荐算法
这篇论文提出了一种新的联邦推荐算法 FedRAP。FedRAP 在联邦学习框架中同时针对用户信息和项目信息实施双边个性化策略,以此来增强推荐系统在隐私保护和个性化推荐方面的表现。它通过逐步提高正则化权重,平滑地从全面个性化过渡到加性个性化。同时,FedRAP 还引入了对全局项目嵌入进行稀疏化处理的策略,有效降低了通信开销。
论文链接:
代码链接:
https://github.com/mtics/FedRAP
此外,为了缓解不同客户端间项目嵌入的差异性可能导致的性能问题,FedRAP 采用了逐步增加正则化权重的策略,并通过全局项目嵌入的稀疏化处理来减少通信负担。在四个现实世界的推荐数据集上进行的实验验证了 FedRAP 方法的有效性。
背景和动机
因此,FedRAP 能够利用客户端本地存储的部分评分数据,预测用户对未评分项目的评分,同时兼顾项目的全局视角和用户特定视角。在六个真实数据集上的实验结果表明,FedRAP 在联邦推荐领域显著优于现有方法。
联邦推荐与加性个性化(FedRAP)
为了便于理解和阐述,我们在此不展开讨论具体的公式细节,更多深入的内容请参阅原始论文。
加性个性化:首先,算法通过将每个用户的本地项目嵌入 ( ) 与全局项目嵌入 ( ) 相加的方式来实现个性化。这种加性方法使得每个用户的推荐不仅受到其个人偏好的影响,同时也融入了全局的项目趋势和特征。 正则化约束:为了确保 和 学习到的内容具有差异性,FedRAP 的目标函数中加入了一个正则化项。这一项的作用是最大化 和 之间的 Frobenius 范数,即,其中 是客户端的数量。这种设计强制每个 学习用户特定的信息,而 则保留更普适的、对所有用户都有用的信息。 稀疏正则化:为了进一步鼓励 仅学习对推荐最有用的信息,FedRAP 将 的稀疏性作为正则化目标,并通过 范数进行约束。这样不仅可以减少模型在通信时的开销,还可以使 专注于那些对多数用户都重要的特征。 逐渐变化的正则化权重:此外,为了在训练的早期阶段减轻加性个性化可能带来的性能下降,FedRAP 在训练初始时,会使用较小的正则化权重以允许模型集中学习用户和项目的基本特征;而随着训练的进行,FedRAP 会逐步增加权重以引导模型更多地关注个性化特征,以此平衡全局信息和个性化需求,促进模型的稳定收敛和提高推荐准确性。
实验
3.1 主要结果
3.2 项目信息的可视化
更多实验结果请见原论文。
结论
作者简介
李志伟
第一作者,目前在悉尼科技大学攻读博士学位,跟随导师龙国栋教授从事联邦推荐算法的研究。
个人主页:
https://zhw.li/
龙国栋
悉尼科技大学副教授,组里正在招收博士生一起探索联邦学习及其应用。
个人主页:
https://profiles.uts.edu.au/guodong.long
周天翼
马里兰大学帕克分校助理教授
个人主页:
https://tianyizhou.github.io/
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。
📝 稿件基本要求:
• 文章确系个人原创作品,未曾在公开渠道发表,如为其他平台已发表或待发表的文章,请明确标注
• 稿件建议以 markdown 格式撰写,文中配图以附件形式发送,要求图片清晰,无版权问题
• PaperWeekly 尊重原作者署名权,并将为每篇被采纳的原创首发稿件,提供业内具有竞争力稿酬,具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道:
• 投稿邮箱:[email protected]
• 来稿请备注即时联系方式(微信),以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信(pwbot02)快速投稿,备注:姓名-投稿
△长按添加PaperWeekly小编
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。