定制公平联邦推荐框架

用户自选敏感属性

首个允许用户在联邦推荐系统中自选敏感属性并实现个性化公平的框架，在保障推荐性能的同时显著缩小群体间公平性差距。

Guorong, Chen · Chao, Li · Fei, Du · Xiaohan, Yuan · 池程 · Zihang, Yin · Bin, Wang · 李涛 · Bao, Xuhua · 王伟

IEEE Internet of Things Journal 2024

参数信息

推荐性能提升

0.1~42.92

公平性差距缩小

0.03~5.41

技术优势

用户自主选择敏感属性

允许用户在联邦推荐系统中根据自己的需求选择敏感属性，实现个性化公平。

同时提升性能与公平性

通过灵活的DynBalance正则化系数和AdaptEpoch策略，在提升推荐性能的同时缩小公平性差距。

隐私保护的群组划分

服务器在隐私保护的前提下将用户划分为子群，确保群组公平性。

应用场景

• 社会化物联网推荐：为海量异构对象提供个性化推荐服务，同时保护数据隐私。
• 推荐系统公平性：让用户自主选择敏感属性，实现个性化公平推荐。
• 边缘智能：在边缘侧集成人工智能，学习复杂关系，支持大规模服务。
• 联邦学习：训练共享模型时保持敏感数据本地化，解决数据隐私问题。