图学习进展

标题：用于跨域推荐的联邦图学习

代码地址：https://github.com/LafinHana/FedGCDR

发表日期：2024-10-10

摘要：跨域推荐（CDR）通过实现源域和目标域之间的知识转移，为数据稀疏性问题提供了一种有前景的解决方案。然而，许多最近的CDR模型忽视了隐私以及负转移风险（这会对模型性能产生负面影响）等关键问题，尤其是在多域环境中。为了应对这些挑战，我们提出了FedGCDR，这是一种新的联邦图学习框架，可以安全有效地利用来自多个源域的积极知识。首先，我们设计了一个正向知识转移模块，以确保域间知识传输过程中的隐私。该模块采用基于差分隐私的知识提取与特征映射机制相结合，将联邦图注意力网络的源域嵌入转化为可靠的域知识。其次，我们设计了一个知识激活模块，从源域中过滤出潜在的有害或冲突的知识，解决了负迁移的问题。该模块通过扩展目标域的图来生成可靠的域注意力，并对目标模型进行微调，以改进负面知识过滤和更准确的预测，从而增强目标域训练。我们在亚马逊数据集的16个流行领域进行了广泛的实验，证明FedGCDR的表现明显优于最先进的方法。

论文地址：https://arxiv.org/abs/2410.08249