基于隐私保护的联邦推荐算法综述

推荐系统通过集中式的存储与训练用户对物品的海量行为信息以及内容特征,旨在为用户提供个性化的信息服务与决策支持.然而,海量数据背后存在大量的用户个人信息以及敏感数据,因此如何在保证用户隐私与数据安全的前提下分析用户行为模式成为了近年来研究的热点.联邦学习作为新兴的隐私保护范式,能够协调多个参与方通过模型参数或者梯度等信息共同学习无损的全局共享模型,同时保证所有的原始数据保存在用户的终端设备,较之于传统的集中式存储与训练模式,实现了从根源上保护用户隐私的目的,因此得到了众多推荐系统领域研究学者们的广泛关注。本次推文介绍发表在自动化学报的《基于隐私保护的联邦推荐算法综述》。论文引用信息：张洪磊,  李浥东,  邬俊,  陈乃月,  董海荣.  基于隐私保护的联邦推荐算法综述.  自动化学报,  2022, 48(9): 2142−2163 doi:  10.16383/j.aas.c211189

    本文对近年来基于联邦学习范式的隐私保护推荐算法进行全面综述、系统分类与深度分析.具体的,首先综述经典的推荐算法以及所面临的问题,然后介绍基于隐私保护的推荐系统与目前存在的挑战,随后从多个维度综述结合联邦学习技术的推荐算法, 即基础联邦推荐算法、基于效率增强的联邦推荐算法、缓解异质性的个性化联邦推荐算法、基于性能增强的联邦推荐算法、基于隐私增强的联邦推荐算法、防御攻击的鲁棒推荐算法,最后对该方向做出系统性的总结并对未来研究方向与发展趋势进行展望.

得益于近年来分布式学习与边缘计算的飞速发展, 以及互联网生态逐渐移动化与开放化, 使得用户终端设备有能力存储并训练相当容量的数据. 联邦学习充分发挥终端设备的计算能力并协同服务端联合优化全局模型, 同时能够使得原始数据保留在本地而较好地保护用户隐私信息, 这一新兴的隐私保护范式逐渐得到大家的认可. 另外, 由于推荐系统的数据来源存在天然的分布式特性, 以及用户对于推荐服务严苛的实时性要求, 因此近年来端云架构下结合联邦学习的推荐算法取得了较大的进展. 基于以上动机, 本文对联邦学习赋能的推荐系统进行了全面综述, 细致整理了近3年发表在相关领域会议和期刊中此方向的文献, 旨在为该领域梳理出一条清晰的研究脉络, 为基于隐私保护的推荐算法提供更加全面的理论基础与研究框架。

本文第1节对推荐模型的发展历程进行分类介绍, 结构如下: 包括传统推荐算法、基于深度学习的推荐算法以及基于隐私保护的推荐算法.

第2节详细阐述基于联邦学习范式的隐私保护推荐算法的基本框架并对其扩展工作进行分类介绍.

第3节介绍联邦推荐系统所使用的开源工具库以及用于实验评估的常用数据集.

第4节总结本文并分析现有方法存在的问题并对未来可能的研究方向和发展趋势加以展望, 比如联邦推荐系统的激励机制、冷启动挑战、异质性挑战以及实时性挑战等。

论文下载链接：

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c211189

END

往期推荐

横向联邦学习下隐私保护安全聚合：问题，方法，与展望
同态加密开源框架整理
为下一代可信计算设计更好的数据中心（arxiv）
国际信息安全顶级会议ACM CCS2022论文合集整理（下）

欢迎投稿邮箱：[e-mail]参与更多讨论，请添加小编微信加入交流群