Cali3F: Calibrated Fast Fair Federated Recommendation System
Decentralized Collaborative Learning Framework for Next POI Recommendation
标定的(校准的)快速公平联邦推荐系统
1. What does literature study?
- 提出一个经过校准的快速而公平的联邦推荐框架Cali3F,通过集群内参数共享解决了收敛问题,另外使用全局模型校准本地模型提高公平性。
2. What’s the innovation?
1. Past shortcomings && Unsolved problems
- 联邦参与者之间的公平性(跨设备推荐性能的一致性)
- 数据异构和网络限制对收敛的影响
2.Innovation:
- 提出一种个性化联邦推荐算法,使用全局模型参数进行标定,提高推荐性能的公平性。
- 采用基于聚类的聚合方法加快训练。
- 提出的框架提高了预测准确性、收敛速度和通信成本。
3. What was the methodology?
Cali3F框架:基于聚类的客户端采样(Clussamp),校准的本地模型更新(CaliUp)和快速聚合方法(FastAgg)。基本推荐模型选择NCF(低延迟和低成本)。
1.基于聚类的客户端采样(Clussamp)
将客户端分组为P个集群,从每个集群中随机选择一个给定数量的客户端参与训练,所选择的客户端被称为委托客户端,其余的为从属客户端。
2.快速聚合方法(FastAgg)
维护具有类似用户嵌入的客户端集群,并向包含它们的集群的所有其他客户端广播客户端更新。FastAgg结合本地模型来更新共享全局模型,使联邦模型更快地收敛并产生更高质量的推荐。
3.校准的本地模型更新(CaliUp)
Cali3F 的前提是,通过减少对全局模型的依赖,我们可以减少代表性差异,从而促进公平。通过全局模型校准本地模型训练的方法,同时保持与全局模型的差异。
通过每个FL回合,每个集群维护本地模型 v p v^p vp,首先计算 p p p的梯度,应用一个额外梯度方向为全局分量和局部分量的差,对局部模型约束,使其不会发散太远。
v p t + 1 ← v p t − η ( ∇ F p ( v p t ) + φ ∥ ∇ F p ( v p t ) ∥ v p t − w t ∥ v p t − w t ∥ ) v_p^{t+1} \leftarrow v_p^t-\eta\left(\nabla F_p\left(v_p^t\right)+\varphi\left\|\nabla F_p\left(v_p^t\right)\right\| \frac{v_p^t-w^t}{\left\|v_p^t-w^t\right\|}\right) vpt+1←vpt−η(∇Fp(vpt)+φ
4. What are the conclusions?
数据集:
评价指标: 使用命中率(HR)和标准化的累积增益(NDCG)评估推荐的性能。HR计算推荐列表前十名中出现的测试项目的百分比,而NDCG将相关结果除以log2(i + 1),以鼓励测试项目的更高排名。
实验对比:与联邦方法相比,我们的 Cali3F 始终优于 FedAvg 基线。个性化可以有效地提高推荐的公平性。
总结:Cali3F在保持快速收敛速度的同时提高联邦客户端推荐性能公平性,将神经网络集成到联邦协同过滤推荐框架,采用 MTL (多任务学习)通过一个自适应 L2规范正则化项同时训练局部和全局模型。采用委托抽样策略和基于用户配置相似性的块更新组件,加快分布式训练的速度。
5. others
- 《Calibrated Recommendations》
https://dl.acm.org/doi/pdf/10.1145/3240323.3240372
https://github.com/tanmay17061/cf_project
推荐系统公平性之校准化推荐–calibrated recommendations_cqu_shuai的博客-CSDN博客
深入理解推荐系统:Fairness、Bias和Debias - 多任务学习(MTL)包括硬参数共享和加权组合方法,
本文所说的多任务是不是就是全局任务和局部任务?
多任务学习旨在用其他相关任务提升主要任务的泛化性能。简单来说多任务学习是一种集成学习方法(ensemble approach),通过对几个任务同时训练而使得多个任务之间相互影响。这种影响会一起反映到共享参数上,当所有任务收敛的时候,这个结构就相当于融合了所有任务。 - NCF将模型分为三个部分:用户嵌入组件,项目嵌入组件,非嵌入组件。
Update of non-embedding component (CaliUp). - 定义的"公平":两个模型的NDCG在K个客户端上(归一化折现累积增益)方差越小越稳定,表示模型越公平。使用标准差来表征公平程度。标准偏差越大表明客户端模型之间的性能差距较大且不太公平。
- 使用 K-均值聚类方法将用户重新聚类为 P 个聚类,共享同一集群的客户机平均他们的非嵌入组件参数以创建一个表示集群的新本地模型。
- 将 Cali3F 与另一种方法 Ditto 进行了比较,后者使用局部和全局模型参数差的 l2范数作为约束项来训练局部模型,但在正则化项的固定系数上与我们的方法有所不同。
Cali3F: Calibrated Fast Fair Federated Recommendation System相关推荐
- open source project for recommendation system
原文链接:http://blog.csdn.net/cserchen/article/details/14231153 目前互联网上所能找到的知名开源推荐系统(open source project ...
- 【KDD2020-Tutorial】自动推荐系统,Automated Recommendation System
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要5分钟 Follow小博主,每天更新前沿干货 随着推荐任务的日益多样化和推荐模型的日益复杂,开发出一套能够很好地适应新的推荐任务的推荐系统变得 ...
- PAT甲级1129 Recommendation System:[C++题解]统计前k个商品
文章目录 题目分析 题目来源 题目分析 来源:acwing 分析: 用变量k来计数每次输出前k个,k等于min(k,m),m为系统允许的最大推荐数. 用数组cnt统计每件商品的数量,top数组统计前k ...
- 推荐系统——Converged Recommendation System Based on RNN and BP Neural Networks
论文描述: 随着电子商务系统.社交网络.音乐应用等在线消费平台的快速发展,大量用户的消费行为日志每天都在产生.同时,我们现在有很好的硬件环境和相应的大数据处理技术来处理这些日志,如:越来越成熟的并行计 ...
- #Paper Reading# The YouTube Video Recommendation System
论文题目: The YouTube Video Recommendation System 论文地址: https://dl.acm.org/citation.cfm?id=1864770 论文发表于 ...
- 论文阅读:Fast-adapting and Privacy-preserving Federated Recommender System
论文名字 Fast-adapting and Privacy-preserving Federated Recommender System 来源 未发表 年份 2021.4.9 作者 Qinyong ...
- Some thoughts on Recommendation System
Keep the recommendation system's recommendation function, but can I make my own decisions about what ...
- 【RS】在线更新RS:How to Retrain Recommendation System (SIGIR‘20)
How to Retrain Recommendation System (SIGIR'20) 模型 当今工业界更新推荐系统的痛点: ({Dm:m≤t},Wt−1)⟶get Wt⟵test Dt+1. ...
- Use of Deep Learning in Modern Recommendation System: A Summary of Recent Works(笔记)
注意:论文中,很多的地方出现baseline,可以理解为参照物的意思,但是在论文中,我们还是直接将它称之为基线, 也就是对照物,参照物. 这片论文中,作者没有去做实际的实验,但是却做了一件很有意义的事 ...
最新文章
- R语言neuralnet包构建神经网络模型:基于乳腺癌数据集
- Spring框架bean的注解管理方法之一 使用注解生成对象
- debug 标志位说明
- 局域网共享问题全方位解决
- HDU2013 蟠桃记【递推】
- Linux Shell编程笔记一:相关命令
- Mac OS 开机密码重置
- UVC驱动分析一条龙
- ChatGPT的注册和使用教程
- java多线程并发基础汇总一
- CSAPP——Lab3——AttackLab
- 启动三个线程,线程1打印1-5,线程2打印6-10,线程3打印11-15,接着线程1打印16-20……依此类推,打印到72.
- 我与Java的故事以及0基础Java自学之路(2022最新版)
- 华证ESG评级数据2009-2022年:季度评级、年末评级、季度平均得分
- Linux永久修改主机名和IP
- [原创]插卡路由器对接openwrt对接国内节点 手机免流通过USB口共享流量给路由器教程
- 如何在RK3188 Ubuntu上安装QT
- 2021 OWASP TOP 1: 失效的访问控制
- 中职微课计算机应用基础,高职计算机应用基础微课设计
- 莱维特STREAM4x5声卡调试使用方法
热门文章
- Android两个小Demo之电话拨号器和短信发送器
- 2019《财富》世界500强公布:华为第61 京东排名第139
- unsafe java_浅析 Unsafe 的使用
- 2021全网最全最详细的Spring面试题精选合集
- 心泰医疗通过上市聆讯:上半年增收不增利,蒲忠杰为控股股东
- 和我一起学 Three.js 【初级篇】:2. 掌握几何体
- 关于Spring Web Flow
- audio unit 混音
- 【物流行业热议】阿里巴巴CTO程立:达摩院和菜鸟启动无人物流卡车研究
- 主轴滚珠轴承的全球与中国市场2022-2028年:技术、参与者、趋势、市场规模及占有率研究报告