Efficient and Robust Online Learning to Rank in Decentralized Systems
去中心化在线排序学习的鲁棒高效框架
🧭 去中心化在线排序学习 · 拜占庭鲁棒性
TU Delft · EPFL
RankGuard 利用用户私有点击历史验证外来模型更新，有效抵御拜占庭攻击，并首次给出收敛证明
📌 工作参考价值（4 点）
- 模型验证即防御：在聚合其他节点的模型前，用本地私有交互数据（如用户点击序列）做似然检测，仅当外来模型对历史行为的解释优于本地模型时才接受。这可以低成本过滤恶意更新或噪声模型，适用于联邦推荐或分布式排序场景。
- 位置偏置校正的无偏评估：利用位置偏置点击模型（如 PBM）校准似然计算，确保评估的是真正的相关性提升而非位置引起的伪反馈。电商搜索排序中可借鉴此思想，用去偏后的点击信号做线上模型更新验证。
- 轻量高效的安全聚合：相比基于安全多方计算的聚合方法，RankGuard 只需简单的对数似然比较，计算开销极低（实验中达 62 倍加速）。在资源受限的边缘设备或需实时响应的推荐系统中，这种"先验后聚合"的策略有直接工程价值。
- 理论保障下的去中心化实践：首次为去中心化 OLTR 提供收敛性证明，表明即便在存在恶意节点的 Gossip 学习环境中仍可收敛到接近无攻击时的性能。这为电商去中心化推荐（如用户端训练个性化模型后共享）提供了可行性证据。