#Differential Privacy - AI Papers Daily

RegionFed: Federated Learning for Personalized Query Understanding in Heterogeneous Retail Environments

RegionFed：异构零售环境下查询理解的联邦个性化学习

🧭 联邦学习个性化训练 · 梯度级路由

Walmart Global Tech

提出梯度级联邦个性化框架 RegionFed，用区域与全局梯度冲突路由个性化策略，在 transformer 上避免参数级方法崩溃

📌 工作参考价值（4 点）

在电商搜索的多地域/多人群 Query 理解模型（如意图分类、实体识别、拼写纠错）需要联邦学习或去中心化训练时，优先采用梯度级个性化，而非在 T5/RoBERTa 等 transformer 上做参数级个性化；后者因 tied embeddings 和 LayerNorm 交互可能崩溃，RegionFed 的梯度冲突路由可规避。
将区域梯度与全局梯度的 ℓ2 冲突作为诊断信号，动态决定每个区域是否需要独立模型/适配器，避免对所有区域盲目做个性化，可节省 GPU 与维护成本；该信号也可作为后续 A/B 测试的分流依据。
RegionFed 对模型结构零侵入，适合在不改线上模型代码的前提下快速验证个性化收益；如果业务已用 T5/RoBERTa 等成熟 backbone，可复用该思路做跨流量段个性化，无需引入新架构。
隐私敏感场景下，其 ε≈0.60 差分隐私与 O(1/√T) 收敛保障可作为合规方案参考，但需注意论文在公开数据集上验证，迁移到亿级真实流量前应评估通信与客户端规模。

Training | 2026-09-04 | cs.LG | score 7/10

Pointing the Way, Hiding the Destination: Practical Private Dense Retrieval at Scale

指路藏终点：大规模实用私有密集检索

🧭 隐私保护向量检索 · 深度哈希短列表

The Chinese University of Hong Kong, Shenzhen · State Key Laboratory of Internet Architecture, Tsinghua University · Beijing University of Posts and Telecommunications · The Chinese University of Hong Kong · Institute of Software, Chinese Academy of Sciences

用可学习深度哈希生成短候选列表，结合加密重排与不经意传输，在保持检索质量的同时将全库密码学搜索成本降至可部署水平

📌 工作参考价值（4 点）

在需要隐私保护的 RAG 或私有知识库检索中，可将「可学习深度哈希 shortlist」作为预筛层：只对哈希命中的 200-500 个候选做加密重排，避免全库同态计算，检索质量接近全库向量检索。
将连续 embedding 映射为二元哈希码后，不再直接暴露原始向量，配合 directional metric DP 可显著降低 embedding inversion / property inference 泄露；对电商用户行为、广告素材、商品描述等敏感语料检索有直接参考价值。
工程上可采用两阶段漏斗：哈希粗筛得到短列表，再用 oblivious key transfer 和加密 reranking 保护具体 query 与最终 item 选择；这比单纯用聚类或 LSH 粗扫更贴合私有检索的隐私与质量平衡。
在 10Gbps 网络、数百万文档规模下，该协议额外延迟约 0.73s，适合在线 RAG 服务；但需要额外训练/微调深度哈希模型，并接受候选短列表带来的召回上限。

RAG | 2026-08-26 | cs.IR | score 7/10

Private Retrieval Dense Retrieval Deep Hashing Differential Privacy RAG Shortlist