Low-pass Personalized Subgraph Federated Recommendation
Department of Artificial Intelligence（人工智能系）
本文提出LPSFed系统，通过图傅里叶变换和低通谱滤波提取稳定结构信号，结合局部流行度偏差修正提升推荐准确性与模型鲁棒性。
2026-03-20 cs.AI cs.IR cs.LG
FedeRank: User Controlled Feedback with Federated Recommender Systems
Politecnico di Bari（巴里理工大学）
推荐系统已被证明是数据可用性如何缓解我们日常数字生活的成功代表。然而，数据隐私是数字时代最突出的问题之一。在几次数据泄露和隐私丑闻之后，用户现在担心共享他们的数据。在过去的十年中，联邦学习已经成为一种新的隐私保护分布式机器学习范式。它的工作原理是处理用户设备上的数据，而无需在中央存储库中收集数据。我们提出了Federank（https：//split.to/federank），一个联邦推荐算法。该系统在每个设备上学习个人因子分解模型。模型的训练是中央服务器和联邦客户端之间的同步过程。FedeRank以分布式的方式计算推荐，并允许用户控制他们想要共享的数据部分。通过与最先进的算法进行比较，大量的实验表明，FedeRank在推荐准确率方面的有效性，即使只有一小部分共享的用户数据。进一步分析了推荐列表的多样性和新颖性，保证了算法在实际生产环境中的适用性。
2021-01-20 cs.DC cs.IR cs.LG
Towards Efficient Communication and Secure Federated Recommendation System via Low-rank Training
College of Engineering & Computer Science, VinUniversity（VinUniversity工程与计算机科学学院）
针对联邦推荐系统的高通信成本及安全聚合兼容问题，提出CoLR低秩训练框架，在冻结多数参数的同时仅训练轻量参数，最高减少93.75%通信载荷且性能仅降约8%。
2024-02-28 cs.CR cs.DC cs.IR
UFGraphFR: Graph Federation Recommendation System based on User Text description features
UFGraphFR通过语义向量、安全用户关系图和个性化行为序列，实现高效的联邦推荐，提升推荐准确性和个性化效果。
2026-03-02 cs.LG
DRIFT: A Federated Recommender System with Implicit Feedback on the Items
本文提出联邦推荐系统DRIFT，基于SAROS算法利用隐式反馈实现精准推荐，在保护用户隐私的同时保证线性计算复杂度和安全性。
2023-04-17 cs.IR cs.LG
Shared MF: A privacy-preserving recommendation system
College of Computer Science, Zhejiang University（浙江大学计算机学院）
矩阵分解是推荐系统中最常用的技术之一。随着推荐系统在电子商务购物、在线视频等方面的推广，分布式推荐系统得到了广泛推广，多源数据的隐私问题变得越来越重要。基于联邦学习技术，提出了一种共享矩阵分解方案SharedMF。首先构建了一个分布式推荐系统，然后采用秘密共享技术保护本地数据的隐私。实验结果表明，与现有的同态加密方法相比，该方法在不泄露隐私的情况下，具有更快的执行速度，能够更好地适应大数据量的推荐场景。
2020-08-18 cs.IR cs.LG stat.ML
A Payload Optimization Method for Federated Recommender Systems
National University of Computer and Emerging Technology（国立计算机与新兴技术大学）；Huawei Technologies Oy (Finland) Co. Ltd（华为技术（芬兰）有限公司）；ComparablesAI Oy
介绍了一种用于联邦推荐系统的有效负载优化方法。在联邦学习（FL）中，在服务器和用户之间移动的全局模型有效负载取决于要推荐的项目的数量。当项目数量增加时，模型有效负载也会增加。如果FRS在生产模式下运行，则这对它来说是一个挑战。为了解决有效载荷的挑战，我们制定了一个多臂强盗解决方案，选择了部分全球模型，并将其传输给所有用户。选择过程由一种新的适合FL系统的奖励函数指导。据我们所知，这是第一个寻求解决项目相关有效载荷的优化方法。使用三个基准推荐数据集对该方法进行了评估。实证验证证实，所提出的方法优于简单的方法，不受益于土匪的项目选择的目的。此外，我们已经证明了我们提出的方法的实用性，通过严格评估的有效载荷减少的建议性能下降的影响。我们的方法实现了高达90%的减少模型负载，产生只有$\sim$ 4%-8%的损失，在高度稀疏的数据集的推荐性能
2021-07-27 cs.AI cs.IR cs.LG
Preventing the Popular Item Embedding Based Attack in Federated Recommendations
Zhejiang University（浙江大学）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Aalborg University（奥尔堡大学）
针对联邦推荐系统的投毒风险，本文提出模型无关、无需先验知识的PIECK攻击及双变体，并设计正则化防御，在多模型、数据集和攻防对比中验证有效性。
2025-02-18 cs.CR cs.DB cs.LG
How to Put Users in Control of their Data in Federated Top-N Recommendation with Learning to Rank
Politecnico di Bari（巴里理工大学）
推荐服务被广泛采用在一些以用户为中心的应用程序作为一种工具，以减轻信息过载的问题，并帮助用户在一个广阔的空间中的可能选择定向。在这种情况下，数据所有权是一个至关重要的问题，因为用户可能不愿意分享他们的敏感偏好（例如，访问的位置）与中央服务器。不幸的是，数据采集和收集是现代最先进的推荐方法的基础。为了解决这个问题，我们提出了FPL，这是一种架构，在这种架构中，用户可以合作训练一个中心因子分解模型，同时控制离开设备的敏感数据量。所提出的方法通过遵循联邦学习原则来实现成对学习排名优化，最初设想是为了减轻传统机器学习的隐私风险。公共实现可在https://split.to/sisinflab-fpl上获得。
2020-12-22 cs.LG stat.ML
Federated Multi-view Matrix Factorization for Personalized Recommendations
Helsinki Research Center（赫尔辛基研究中心）；Europe Cloud Service Competence Center（欧洲云服务能力中心）；Huawei Technologies Oy (Finland) Co. Ltd（华为技术有限公司（芬兰））
我们引入了联邦多视图矩阵分解方法，将联邦学习框架扩展到多数据源的矩阵分解。我们的方法是能够学习多视图模型，而无需将用户的个人数据传输到中央服务器。据我们所知，这是第一个使用多视图矩阵分解提供推荐的联邦模型。该模型在生产环境的三个数据集上进行了严格的评估。实证验证证实，联邦多视图矩阵分解优于不考虑数据多视图结构的简单方法，此外，它还证明了所提出的方法对于冷启动联邦推荐的挑战性预测任务的有用性。
2020-04-08 cs.IR cs.LG stat.ML
Sharpness-Aware Minimization for Generalized Embedding Learning in Federated Recommendation
本文提出FedRecGEL框架，通过精确度感知最小化方法解决联邦推荐中通用物品嵌入学习的稳定性问题，提升推荐性能。
2026-03-12 cs.LG
Learning Federated Representations and Recommendations with Limited Negatives
Google Research（谷歌研究院）；Google（谷歌）
深度检索模型广泛用于学习实体表示和推荐。联邦学习提供了一种保护隐私的方式来训练这些模型，而不需要集中用户数据。然而，由于客户端上的非IID（独立同分布）训练数据，联邦深度检索模型的性能通常比集中式模型差得多，这是联邦学习的固有属性，限制了可用于训练的负面影响。我们证明，这个问题是不同的，从通常研究的客户端漂移问题。这项工作提出了批量不敏感的损失，以减轻非IID负面问题的联合电影推荐。我们探索了各种技术，并发现批量不敏感的损失可以有效地提高联邦深度检索模型的性能，将联邦模型的相对召回率提高到93.15%，并将其与集中式模型之间的召回率相对差距从27.22% - 43.14%减少到0.53% -2.42%。我们还开源了我们的代码框架，以加速联邦深度检索模型的进一步研究和应用。
2021-11-02 cs.DC cs.LG
Federated Recommendation with Additive Personalization
University of Technology Sydney（悉尼科技大学）；University of Maryland（马里兰大学）
针对联邦推荐中个性化不足与通信开销大的问题，提出FedRAP，通过全局稀疏视图与本地个性化视图相加生成个性化物品嵌入，并在多个基准上取得最优性能。
2024-02-08 cs.LG
FedRule: Federated Rule Recommendation System with Graph Neural Networks
Carnegie Mellon University（卡内基梅隆大学）；Wyze Labs（Wyze实验室）
物联网（IoT）设备为“智能”家庭带来的大部分价值在于它们能够自动触发其他设备的动作：例如，智能摄像头触发智能锁来解锁门。然而，为智能设备或应用程序手动设置这些规则既耗时又低效。规则推荐系统可以通过基于先前部署的规则（例如，在其他人的灵巧家庭中）。传统的推荐公式需要一个中央服务器来记录许多用户家中使用的规则，这损害了他们的隐私，使他们容易受到对中央服务器规则数据库的攻击。此外，这些解决方案通常利用通用的用户项矩阵方法，不充分利用规则推荐问题的结构。在本文中，我们提出了一个新的规则推荐系统，称为FedRule，以解决这些挑战。每个用户根据她/他正在使用的规则构造一个图，并且规则推荐被公式化为这些图中的链接预测任务。这个公式使我们能够设计一个联邦训练算法，能够保持用户的数据隐私。大量的实验证实了我们的说法，证明FedRule具有与集中式设置相当的性能，并优于传统的解决方案。
2022-11-13 cs.DC cs.LG stat.ML
Federated Continual Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出联邦持续推荐任务FCRec及F3CRec框架，通过客户端自适应回放记忆和服务器逐项时序均值，在保护隐私的同时平衡知识保留与适应，实验证明其优于现有方法。
2025-08-17 cs.IR cs.LG
FEL: High Capacity Learning for Recommendation and Ranking via Federated Ensemble Learning
Meta
联邦学习（FL）已经成为解决消费者隐私需求的有效方法。FL已成功应用于某些机器学习任务，例如训练智能键盘模型和关键字识别。尽管FL取得了初步成功，但许多重要的深度学习用例，如排名和推荐任务，都受到了设备上学习的限制。基于DL的排名和推荐的实际FL采用所面临的关键挑战之一是现代移动系统无法满足的禁止性资源要求。我们提出联合包围学习（FEL）作为解决方案，以解决深度学习排名和推荐任务的大内存需求。FEL通过在不相交的客户端设备集群上同时训练多个模型版本，实现了设备上的大规模排名和推荐模型训练。FEL通过over-arch层将训练的子模型集成到服务器上托管的集成模型中。我们的实验表明，与传统的设备上联邦学习相比，FEL导致模型质量提高了0.43-2.31%-这对于排名和推荐系统用例来说是一个显着的改进。
2022-06-07 cs.IR cs.LG
A Systematic Survey on Federated Sequential Recommendation
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；The Hong Kong Polytechnic University（香港理工大学）
本文系统综述了联邦序列推荐（FedSR），在介绍其背景与挑战的基础上，从两个层面梳理现有技术，并探讨关键挑战与未来方向。
2025-02-19 cs.IR cs.LG
Far From Sight, Far From Mind: Inverse Distance Weighting for Graph Federated Recommendation
Deakin University（德克萨斯大学）；TII（技术信息研究所）
本文针对图联邦推荐中聚合方法忽视用户嵌入相似性与锚定用户影响力的问题，提出基于逆距离加权的Dist-FedAvg方法，在多个数据集上验证其能提升推荐准确性并兼容现有联邦学习框架。
2025-07-02 cs.DC cs.IR cs.LG
Dual Personalization on Federated Recommendation
Jilin University（吉林大学）；University of Technology Sydney（悉尼科技大学）；Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Maryland（马里兰大学）
本文提出PFedRec框架，通过双重个性化机制在用户和物品上实现细粒度个性化，生成轻量级用户特定模型，提升联邦推荐性能并保护隐私。
2023-05-13 cs.AI cs.IR cs.LG
FedGRec: Dynamic Spatio-Temporal Federated Graph Learning for Secure and Efficient Cross-Border Recommendations
Macau University of Science and Technology（澳门科技大学）；Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院）
FedGRec提出一种隐私保护的联邦图学习方法，利用动态时空建模和个性化聚合，在跨境推荐中提升性能并保护数据隐私。
2025-05-15 cs.AI cs.LG
Graph Federated Learning for Personalized Privacy Recommendation
Yangzhou University（扬州大学）；Jilin University（吉林大学）；City University of Hong Kong（香港城市大学）；Nanjing University（南京大学）
本文提出GFed-PP框架，通过构建用户-项目交互图和用户关系图，利用公开用户数据并保护私有用户隐私，在适应不同隐私需求的同时显著提升了联邦推荐系统的准确性。
2025-08-08 cs.AI cs.LG
Federated Personal Knowledge Graph Completion with Lightweight Large Language Models for Personalized Recommendations
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出FedTREK-LM框架，结合轻量级大语言模型、演化个人知识图谱和联邦学习，实现可扩展的去中心化个性化推荐，实验显示其在电影和食谱推荐中F1分数提升超4倍。
2026-02-25 cs.IR cs.LG
Federated Vision-Language-Recommendation with Personalized Fusion
本文提出FedVLR框架，通过服务器端多视图融合与客户端用户特定的专家混合机制，实现联邦视觉语言推荐中的个性化多模态融合，在七个基准数据集上验证了有效性。
2025-11-02 cs.AI cs.IR cs.LG
FastPFRec: A Fast Personalized Federated Recommendation with Secure Sharing
organization= Key Laboratory of Big Data \& Artificial Intelligence in Transportation (Beijing Jiaotong University) , addressline= Ministry of Education , city= Beijing , postcode= 100044 , country= China；organization= School of Computer Science；Technology , addressline= Beijing Jiaotong University , city= Beijing , postcode= 100044 , country= China
本文提出FastPFRec框架，通过高效本地更新策略和隐私感知参数共享机制，提升联邦推荐系统的训练效率和数据安全性，在四个真实数据集上表现优异。
2026-03-18 cs.IR cs.LG
FedCL: Federated Contrastive Learning for Privacy-Preserving Recommendation
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）
对比学习被广泛用于推荐模型学习，其中选择具有代表性和信息丰富的负样本是至关重要的。现有的方法通常集中在集中的数据，其中丰富和高质量的负样本很容易获得。然而，集中的用户数据存储和利用可能会导致隐私风险和担忧，而单个客户端上的分散用户数据对于精确的对比学习来说可能过于稀疏和有偏见。本文提出了一种用于隐私保护推荐的联邦对比学习方法FedCL，该方法可以利用高质量的负样本进行有效的模型训练，同时很好地保护了隐私。我们首先通过每个客户端上的本地模型从本地用户数据中推断用户嵌入，然后在将它们发送到中央服务器进行硬负采样之前，使用本地差分隐私（LDP）对其进行扰动。由于个体用户嵌入包含大量的噪声，由于LDP，我们建议在服务器上聚类用户嵌入，以减轻噪声的影响，并使用聚类中心从项目池中检索硬负样本。这些硬阴性样本被交付给用户客户端，并与来自本地数据的观察到的阴性样本以及由阳性样本构建的批量阴性样本混合，用于联邦模型训练。在四个基准数据集上的大量实验表明，FedCL可以以隐私保护的方式为各种推荐方法提供支持。
2022-04-21 cs.LG
A Survey of Personalized Federated Foundation Models for Privacy-Preserving Recommendation
Australian Artificial Intelligence Institute, University of Technology Sydney（澳大利亚人工智能研究所，悉尼技术大学）；College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系）
本文综述了面向隐私保护推荐的个性化联邦基础模型，分析了联邦环境下有效的个性化技术，并讨论了基础模型在联邦架构中的适应性，以平衡泛化能力与用户特定需求。
2026-05-06 cs.AI cs.LG
Federated Recommendation System via Differential Privacy
City University of Hong Kong（香港城市大学）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
在本文中，我们感兴趣的是我们所谓的联邦私人强盗框架，结合差分隐私与多代理强盗学习。我们探讨了如何差分隐私为基础的置信上限（UCB）的方法可以应用到多智能体环境中，特别是联邦学习环境中的“主工人”和“完全分散”的设置。我们提供了一个理论分析所提出的方法的隐私和遗憾的性能，并探讨这两者之间的权衡。
2020-05-16 cs.IT cs.LG math.IT
Semi-decentralized Federated Ego Graph Learning for Recommendation
Southern University of Science and Technology（南方科技大学）；The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）
基于协同过滤（CF）的推荐系统通常基于个人交互数据（例如，点击和购买），这些可以自然地表示为自我图。然而，现有的推荐方法大多收集所有用户的自我图组成一个全局图，以获取用户与项目之间的高阶协作信息，这些集中式CF推荐方法不可避免地导致用户隐私泄露的高风险。虽然最近提出的联合推荐系统可以缓解隐私问题，但它们要么将设备上的本地训练限制在孤立的自我图上，要么依赖于额外的第三方服务器来访问其他自我图，从而导致繁琐的管道，这在实践中很难工作。此外，现有的联合推荐系统需要资源有限的设备来维护整个嵌入表，从而导致高通信成本。有鉴于此，我们提出了一个半分散的联合自我图学习框架的设备上的建议，命名为SemiDFEGL，它引入了新的设备到设备的协作，以提高可扩展性和降低通信成本，并创新地利用预测的交互项目节点连接孤立的自我图，以增加本地子图，以便高阶用户项目的协作信息可以在隐私保护的方式使用。此外，所提出的框架是模型不可知的，这意味着它可以与现有的基于图神经网络的推荐方法和隐私保护技术无缝集成。为了验证所提出的SemiDFEGL的有效性，在三个公共数据集上进行了大量的实验，实验结果表明了所提出的SemiDFEGL与其他联邦推荐方法相比的优越性.
2023-02-10 cs.AI cs.IR cs.LG
From Challenges and Pitfalls to Recommendations and Opportunities: Implementing Federated Learning in Healthcare
Imperial College London（伦敦帝国学院）；Massachusetts General Hospital（麻省总医院）；Zhejiang University（浙江大学）；Weill Cornell Medicine of Cornell University（康奈尔大学威尔医学院）；Royal Brompton Hospital（皇家布朗普顿医院）；King’s College London（伦敦国王学院）
本文综述了截至2024年5月医疗健康联邦学习研究，指出多数方法因隐私、泛化和通信成本等问题不适合临床使用，并提出改进建议与未来机遇。
2025-02-04 cs.AI cs.LG
P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Network
Xiamen University（厦门大学）；Insightone Tech Co., Ltd（智联科技有限公司）
本文提出P4GCN方法，通过隐私保护两方图卷积网络实现纵向联邦社交推荐，在无需直接访问敏感社交数据的前提下提升推荐准确性，并在四个数据集上验证其优于现有方法。
2025-02-04 cs.AI cs.IR cs.LG
Personalized and Multi-View Representation for Federated Cold-Start Recommendation
针对联邦冷启动推荐的双重约束与三类局限，提出PMFRec方法，通过个性化生成器、多视图编码器及知识融合提升冷项目推荐性能与公平性、适应性及鲁棒性。
2026-08-31 cs.IR cs.LG
Cluster-Enhanced Federated Graph Neural Network for Recommendation
针对联邦图神经网络推荐中个人图缺乏高阶协同信号且隐私风险高的问题，本文提出CFedGR框架，通过服务器聚类预训练用户表示增强个人图，并设计两种通信优化策略，在三个基准数据集上验证了有效性。
2024-12-28 cs.IR cs.LG
FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative Joint Matrix Factorization and Knowledge Distillation
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；LANL（洛斯阿拉莫斯国家实验室）
非负矩阵分解（NMF）与缺失值完成是一个著名的有效的协同过滤（CF）方法，用于提供个性化的用户推荐。然而，传统的CF依赖于隐私侵犯收集用户的显式和隐式反馈，以建立一个中央推荐模型。单次联邦学习最近出现了一种方法，以减轻隐私问题，同时解决传统的联邦学习的通信瓶颈。在本文中，我们提出了第一个无监督的一次性联邦CF实现，名为FedSPLIT，基于NMF联合因式分解。在我们的解决方案中，客户端首先并行应用本地CF来构建不同的客户端特定的编译器。然后，从每个客户端的隐私保护的本地项目模式和偏见与处理器共享，以执行联合因子分解，以提取全局项目模式。然后，将提取的模式聚合到每个客户端，以通过知识蒸馏构建本地模型。在我们的实验中，我们证明了我们的方法与标准的推荐数据集的可行性。FedSPLIT可以获得与现有技术相似的结果（在某些情况下甚至优于现有技术），但通信数量大幅减少。
2022-05-04 cs.IR cs.LG
Personalized Federated Domain Adaptation for Item-to-Item Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；AWS AI Lab（AWS人工智能实验室）；Washington State University（华盛顿州立大学）
针对新兴市场 I2I 推荐关系数据不足的问题，提出基于 GNN 的个性化联邦领域自适应框架，以迁移成熟市场模式并支持异构本地图的热启动建模。
2023-06-05 cs.IR cs.LG
FD-GATDR: A Federated-Decentralized-Learning Graph Attention Network for Doctor Recommendation Using EHR
Iowa State University（爱荷华州立大学）；IQVIA（艾昆纬）；The Ohio State University（俄亥俄州立大学）
在过去的十年中，随着大数据技术的发展，越来越多的患者信息被存储为电子健康记录（EHR）。利用这些数据，已经提出了各种医生推荐系统。通常，这样的研究以平面结构的方式处理EHR数据，其中每个遭遇都被视为无序的特征集。然而，不应忽视索赔中存储的服务顺序等异构结构化信息。本文提出了一个具有时间嵌入的医生推荐系统，利用异构图注意力网络重构患者和医生之间的潜在联系。此外，针对跨医院患者数据共享的隐私问题，提出了一种基于最小化优化模型的联邦分散学习方法。基于图的推荐系统已经在EHR数据集上进行了验证。与基线模型相比，该方法将AUC提高了6.2%。我们所提出的基于联邦的融合算法，不仅产生虚拟融合中心的性能，但也享有O（1/T）的收敛速度。
2022-07-11 cs.AI cs.IR cs.LG
Federated Latent Factor Model for Bias-Aware Recommendation with Privacy-Preserving
College of Computer and Information Science, Southwest University, Chongqing 400715, China（西南大学计算机与信息科学学院）；School of Engineering, University of Western Australia, Australia（西澳大学工程学院）；School of Cyber Science and Technology, Beihang University, Beijing 100191, China（北航信息科学与技术学院）
针对联邦推荐系统中因隐私保护而无法访问原始数据导致的评分偏差问题，提出联邦偏差感知潜在因子模型，将训练偏差纳入本地损失函数，在不损害隐私的前提下消除偏差，并在三个真实数据集上显著提升推荐准确性。
2025-04-21 cs.AI cs.LG
Horizontal Federated Learning and Secure Distributed Training for Recommendation System with Intel SGX
Intel Corporation（英特尔公司）
随着大数据时代的到来和人工智能等技术的发展，数据安全和隐私保护变得更加重要。推荐系统在社会中有着广泛的应用，但推荐系统的模型构建往往离不开用户数据。特别是对于基于深度学习的推荐系统，由于模型的复杂性和深度学习本身的特点，其训练过程不仅需要较长的训练时间和丰富的计算资源而且需要使用大量的用户数据，这在数据安全和隐私保护方面带来了相当大的挑战。如何训练一个分布式推荐系统，同时保证数据安全，已成为一个亟待解决的问题。本文基于可信执行环境的实现Intel SGX（Software Guard Extensions）和TensorFlow框架，实现了水平联邦学习和安全分布式训练两种方案，以实现不同场景下基于推荐系统的安全分布式学习方案。我们对经典的深度学习推荐模型（DLRM）进行了实验，DLRM是一种基于神经网络的机器学习模型，专为个性化和推荐而设计，结果表明我们的实现几乎没有引入模型性能损失。训练速度在可接受的范围内。
2022-07-11 cs.AI cs.IR cs.LG
Privacy-Preserving Orthogonal Aggregation for Guaranteeing Gender Fairness in Federated Recommendation
University of Science and Technology of China（中国科学技术大学）；Aarhus University（奥胡斯大学）
针对联邦推荐中性别公平性与隐私保护的问题，提出PPOA方法，通过安全聚合、量化技术和正交映射，在保护用户属性隐私的同时提升不同性别群体推荐效果，实现最优公平性。
2024-11-29 cs.LG
Towards Fair Federated Recommendation Learning: Characterizing the Inter-Dependence of System and Data Heterogeneity
Meta AI；Meta
联邦学习（FL）是一种通过在设备上运行机器学习模型训练来实现推荐系统中数据隐私的有效机制。虽然先前的FL优化解决了FL面临的数据和系统异构性挑战，但它们假设两者是相互独立的。这个基本假设并不能反映真实世界的大规模推荐系统--数据和系统的异构性是紧密交织在一起的。本文采用数据驱动的方法来展示真实世界数据中数据和系统异构性的相互依赖性，并量化其对整体模型质量和公平性的影响。我们设计了一个框架，RF^2，对相互依赖进行建模，并评估其对联邦推荐任务的最新模型优化技术的影响。我们证明，在现实的异质性场景下，公平性的影响可能是严重的，最多15.8- 41倍相比，在大多数（如果不是全部）以前的工作假设一个简单的设置。这意味着当现实的系统引起的数据异构性没有正确建模时，优化的公平性影响可以被淡化高达41倍。结果表明，建模现实的系统引起的数据异构性是必要的，以实现公平的联邦推荐学习。我们计划开源RF^2，以实现未来FL创新的设计和评估。
2022-05-30 cs.IR cs.LG
GNN4FR: A Lossless GNN-based Federated Recommendation Framework
Shenzhen University（深圳大学）
本文提出首个基于GNN的无损联邦推荐框架GNN4FR，通过全图训练完整保留高阶结构信息，使训练等价于非联邦版本，并利用LightGCN实例化验证了其等价性。
2023-07-25 cs.CR cs.IR cs.LG
FedPOIRec: Privacy Preserving Federated POI Recommendation with Social Influence
Institute for Language and Speech Processing, Athena Research Center（雅典娜研究中心语言与语音处理研究所）；Department of Electrical and Computer Engineering, Democritus University of Thrace（色雷斯德谟克利特大学电气与计算机工程系）
随着基于位置的社交网络数量的增长，隐私保护的位置预测已经成为帮助用户发现新的兴趣点（POI）的主要任务。传统的系统采用集中式方法，需要传输和收集用户的私人数据。在这项工作中，我们提出了FedPOIRec，一个隐私保护的联邦学习方法，增强了用户社交圈的功能，用于顶级$N$ POI推荐。首先，FedPOIRec框架是基于本地数据永远不会离开所有者设备的原则构建的，而本地更新是由参数服务器盲目聚合的。第二，通过允许用户交换他们学习到的参数，使知识在朋友之间传递，本地用户变得个性化。为此，我们提出了一个隐私保护协议，通过利用CKKS完全同态加密方案的属性，在联邦计算后集成用户的朋友的偏好。为了评估FedPOIRec，我们使用两个推荐模型将我们的方法应用于五个真实世界的数据集。大量的实验表明，FedPOIRec实现了类似的推荐质量集中的方法，而社会集成协议在用户端产生的计算和通信开销低。
2021-12-21 cs.CR cs.IR cs.LG
Improving Federated Graph Recommendation with Semantic Guidance
institutetext（机构）
针对联邦图推荐中跨客户端图表示对齐难的问题，提出利用大语言模型编码的语义信号指导结构表示的选择性聚合，提升推荐准确性。
2026-09-09 cs.AI cs.DB cs.ET
Practical and Secure Federated Recommendation with Personalized Masks
Hong Kong University of Science and Technology（香港科技大学）；Clustar；Peking University（北京大学）；Fuzhou University（福州大学）
联合推荐解决了推荐系统的数据孤岛和隐私问题。目前的联合推荐系统主要利用密码学或混淆方法来保护原始评分不被泄露。然而，前者带来了额外的通信和计算成本，后者损害了模型的准确性。这两种方法都不能同时满足推荐系统的实时反馈和精确个性化的要求。在本文中，我们提出了联邦屏蔽矩阵分解（FedMMF），以保护联邦推荐系统中的数据隐私，而不牺牲效率和效果。更详细地说，我们介绍了新的思想，个性化的面具只产生从本地数据，并将其应用在FedMMF。一方面，个性化口罩为参与者的私人数据提供了保护，而不会损失有效性。另一方面，结合自适应安全聚合协议，个性化掩码可以进一步提高效率。从理论上分析了个性化口罩的安全性。从经验上讲，我们还显示了所设计的模型在不同的现实世界的数据集上的优越性。
2022-06-20 cs.AI cs.CR cs.IR
FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Sun Yat-sen University（中山大学）
针对跨域序列推荐中数据隐私与特征异构性问题，提出联邦框架FedDCSR，通过序列表示解耦与领域内对比信息最大化策略分离共享与专属特征，显著优于基线方法。
2024-01-16 cs.IR cs.LG
FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）；Sun Yat-sen University（中山大学）；Chongqing University（重庆大学）；Shanghai Pudong Development Bank（上海浦东发展银行）
针对联邦跨域推荐中的数据异质性问题，提出FedHCDR框架，通过超图信号解耦分离领域专属与共享特征，并结合超图对比学习提升共享关系建模，在多个真实场景中显著优于现有方法。
2024-06-10 cs.IR cs.LG cs.SI
Federated Social Recommendation with Graph Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Beihang University（北京航空航天大学）
推荐系统是通过学习嵌入来预测用户对项目的潜在兴趣的系统。图神经网络~（GNN）的最新发展也为推荐系统提供了强大的骨干，以从用户项图中学习嵌入。然而，由于数据汇集的困难，仅利用用户-项目交互会遭受冷启动问题。因此，目前的努力提出融合社会信息与用户项目的互动，以减轻它，这是社会推荐问题。现有的工作使用GNN同时聚合社交链接和用户-项目交互。然而，它们都需要集中存储用户的社交链接和项目交互，这导致了隐私问题。此外，根据《一般数据保护条例》的严格隐私保护，集中式数据存储在未来可能不可行，因此迫切需要一个分散的社交推荐框架。为此，我们设计了一个新的框架\textbf{Fe}起草的\textbf{So}社会建议与\textbf{G}的神经网络（FeSoG）。首先，FeSoG采用关系注意和聚合来处理异构性。其次，FeSoG使用本地数据推断用户嵌入以保持个性化。最后但并非最不重要的是，该模型采用伪标签技术与项目抽样，以保护隐私和加强训练。在三个真实数据集上的大量实验证明了FeSoG在完成社会推荐和隐私保护方面的有效性。我们是第一个工作，提出了一个联邦学习框架的社会建议，以我们所知的最好的。
2021-11-21 cs.IR cs.LG
Privacy-Preserving Multimodal News Recommendation through Federated Learning
Department of Computer Science, University of Saskatchewan（计算机科学系，萨斯喀彻温大学）
本文提出多模态联邦学习新闻推荐方法，融合图文特征并用时间感知注意力平衡长短期兴趣，结合Shamir安全聚合保护隐私，实验性能优于现有系统。
2025-07-23 cs.LG cs.SI
FedPDD: A Privacy-preserving Double Distillation Framework for Cross-silo Federated Recommendation
WeBank（微众银行）
针对跨筒仓联邦推荐中重叠用户少、现有方法性能受限且通信成本高、隐私风险大的问题，提出FedPDD双蒸馏框架，结合离线训练与差分隐私，在重叠用户有限时高效传递知识并保障隐私，在两个真实数据集上效果优于现有最优方法。
2024-01-30 cs.CR cs.DC cs.IR
Empowering Contrastive Federated Sequential Recommendation with LLMs
通过整合大型语言模型作为本地语义生成器，LUMOS在联邦序列推荐中提升模型性能，增强隐私保护下的推荐系统鲁棒性。
2026-02-10 cs.AI cs.DB cs.LG
Plug-and-Play Parameter-Efficient Tuning of Embeddings for Federated Recommendation
本文提出一种参数高效调优的联邦推荐框架，通过减少嵌入参数传输量来提升通信效率和模型准确性。
2025-12-14 cs.AI cs.LG
A Privacy Preserving System for Movie Recommendations Using Federated Learning
Fraunhofer Institute for Telecommunications, Heinrich Hertz Institute, HHI（弗劳恩霍夫电信研究所海因里希·赫兹研究所）
针对推荐系统收集大量个人数据的隐私问题，本文提出基于联邦学习的电影推荐系统，采用新型FedQ方案解决非独立同分布等问题并防重构攻击，结合压缩技术降通信开销，多层面保障隐私。
2024-05-16 cs.CR cs.IR cs.LG
Efficient and Robust Regularized Federated Recommendation
City University of Hong Kong（香港城市大学）；Jilin University（吉林大学）；Michigan State University（密歇根州立大学）；Wuhan University（武汉大学）；Jinan University（暨南大学）；Southern University of Science and Technology（南方科技大学）；The University of Queensland（昆士兰大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出RFRec和RFRecF，通过将联邦推荐重构为凸优化问题，实现高效鲁棒且保护隐私的推荐，并在四个基准数据集上验证了优越性能。
2024-11-03 cs.IR cs.LG
No prejudice! Fair Federated Graph Neural Networks for Personalized Recommendation
Indian Institute of Technology, Delhi（印度理工学院德里分校）
针对联邦推荐系统中的群体偏见，提出公平联邦个性化图神经网络F2PGNN，结合个性化GNN与差分隐私，在保护隐私的同时将不公平性降低47%-99%。
2023-12-20 cs.AI cs.IR cs.LG
Learning to Collaborate via Structures: Cluster-Guided Item Alignment for Federated Recommendation
Beihang University（北京航空航天大学）；University of Technology Sydney（悉尼科技大学）；University of Edinburgh（爱丁堡大学）
CGFedRec通过聚类引导的方法，利用全局结构约束实现联邦推荐中的物品对齐，提升通信效率并保持推荐准确性。
2026-02-25 cs.IR cs.LG
