連邦型レコメンデーションにおける一般化埋め込み学習のためのシャープネス認識最小化

要旨: フェデレーテッド・リコメンダーシステムは、ユーザーの相互作用データを局所に保ち、重要なモデルパラメータのみを共有することで協調的なモデル訓練を可能にし、プライバシーリスクを軽減します。しかし、既存の手法は、連邦リコメンドシステムの訓練プロセス全体を通じて一般化されたアイテム埋め込みを安定して学習するという重要な問題を見落としています。アイテム埋め込みは、クライアント間の知識共有を促進する中心的な役割を果たします。ところが、デバイス間の設定では、局所データ分布は顕著な非均質性とスパース性を示し、一般化された埋め込みを学習する難易度を高めます。これらの要因は、一般化されたアイテム埋め込みの安定した学習を、効果的な連邦レコメンドにとって不可欠でありながら、達成を難しくします。このギャップを埋めるため、FedRecGEL（Federated Recommendation with Generalized Embedding Learning）という新しい連邦レコメンドフレームワークを提案します。アイテム中心の視点から連邦レコメンド問題を再定式化し、訓練過程全体で一般化された埋め込みを学習することを目的として、多タスク学習問題として位置づけます。理論分析に基づき、一般化問題に対処するためシャープネス認識最小化を採用し、訓練プロセスを安定化させ、推奨性能を向上させます。4つのデータセットに関する広範な実験は、FedRecGELが連邦レコメンデーションの性能を顕著に向上させる効果を示しています。私たちのコードは https://github.com/anonymifish/FedRecGEL で公開されています。