AI Papers Daily

#Federated Learning

4 篇

FedHUR: Learning Hierarchical Utility-Guided Client Relations for Personalized Federated Recommendation

FedHUR：学习层次化效用引导的客户端关系用于个性化联邦推荐

🧭 联邦推荐 · 个性化聚合

Fudan University · Microsoft Research Asia · Independent

提出层次化效用引导的客户端关系学习框架，以 item-item filters 为聚合对象，提升联邦推荐个性化聚合效果

📌 工作参考价值（4 点）

• 在电商推荐场景中联邦学习保护用户隐私，但跨客户端聚合时不应依赖单一全局相似度；可借鉴 FedHUR 思路，按类目/品牌/价格带等构建层次化用户关系，在不同粒度上分别聚合，缓解数据稀疏和兴趣差异问题。
• 效用信号机制值得直接移植：让每个客户端先评估其他客户端信息对自己预测的增益，只聚合“有用”的客户端，避免引入噪声；这类似推荐系统中的增益筛选，可显著提升本地模型在长尾用户上的表现。
• 以 item-item filters（如物品共现矩阵或物品向量）作为交换和聚合对象，比直接交换模型参数更轻量、可解释，适合部署在边缘设备或对通信开销敏感的场景；电商中可用商品 embedding 的 item-item 关系替代原始梯度。
• 全局层次聚类信息可以作为先验知识下发到客户端，再在客户端上进行个性化检索和聚合，这种“全局先验+本地效用”的架构可直接应用于大规模推荐模型的分布式微调或联邦增量训练。

RecSys | 2026-09-10 | cs.IR | score 7/10

Federated LearningPersonalized AggregationHierarchical ClusteringUtility SignalsCollaborative Filtering

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

Federated LearningPersonalizationQuery UnderstandingTransformerDifferential PrivacyRetail Search

DG-CoLearn: An Efficient Collaborative Learning Framework for Dynamic Graphs

DG-CoLearn：动态图高效协同学习框架

🧭 动态图协同学习 · 增量图处理

Department of Computer Science, The University of Warwick · School of Computing and Communications, Lancaster University

增量图快照处理与服务器中介嵌入交换，实现动态图协同训练加速33.8倍且保护客户端间结构隐私

📌 工作参考价值（4 点）

• 在电商用户-商品交互图的动态推荐场景中，全图重训成本高，可借鉴其增量更新策略：只对时间戳变化的局部子图（新交互、新节点）触发消息传递与嵌入更新，保留历史记忆，大幅降低训练计算量。
• 多主体协同训练（如多个电商部门或跨组织联邦学习）涉及图结构隐私，采用服务器中介的嵌入交换，代替直接共享邻接表，既完成多跳邻居聚合又避免暴露连接关系，可直接复用到联邦图推荐系统。
• 增量管道设计覆盖节点更新检测、采样邻居、聚合与预测全流程，工程实现上可按“变更节点驱动”的思路重构现有静态图训练循环，替换为版本快照管理，使系统具备在线学习能力。
• 实验结果表明加速与隐私保护的同时，节点分类和链接预测性能均有提升，说明增量方法不会牺牲模型质量，适合对时延敏感且要求可解释性的 Agent 协同推理任务。

RecSys | 2026-05-29 | cs.LG | score 7/10

Dynamic GraphIncremental UpdateCollaborative LearningPrivacy-PreservingGraph Neural NetworksFederated Learning

Federated Imputation under Heterogeneous Feature Spaces

异构特征空间下的联邦缺失值填补

🧭 联邦缺失值填补 · 特征图消息传递

University of Luxembourg

利用全局特征图的消息传递，在联邦学习中实现异构特征空间的间接跨客户端知识迁移与缺失值填补

📌 工作参考价值（4 点）

• 电商多源数据填补：当不同业务线（如搜索、推荐、广告）或不同客户端（如不同地区的用户画像）特征空间不重叠时，可借鉴该方法的特征关联图建模，通过消息传递间接填补缺失特征，提升用户/商品特征完整性。
• 联邦推荐特征对齐：在跨部门联合建模场景下，无需共享原始数据，利用全局特征图即可发现特征间的统计关系，指导本地模型的填补与更新，解决特征异构问题。
• 特征图构建启发：采用互信息或相关性构建全局特征图，作为联邦通信中的共享知识，可迁移到其他需要特征补全的分布式任务（如 Agent 环境感知或冷启动特征推断）。
• 工程实现参考：联邦架构仅交换特征图结构和少量消息，通信开销低，适合生产环境中隐私受限的多方数据协作。

Training | 2026-05-15 | cs.LG | score 6/10

Federated LearningHeterogeneous FeaturesData ImputationGraph Neural NetworksMessage PassingPrivacy-Preserving