Decoupled Learning and Selection in Slate Recommendation for Privacy and Stability Under Noisy Scores
解耦学习与选择：slate 推荐在噪声分数下的隐私与稳定性
🧭 Slate 推荐 · 差分隐私与稳定性
University of Bergen, Centre for the Science of Learning & Technology (SLATE) · City University of Macau, School of Education
形式化随机分数学习器+确定性选择器的解耦框架，给出差分隐私作用域契约和可证明的分数到 slate 稳定性证书
📌 工作参考价值（4 点）
- 将模型学习与确定性选择层解耦，对选择器输出做差分隐私后处理审计：当选择器输入来自私有模型输出时，必须单独进行隐私记账，不能假设后处理自动提供全局隐私；可据此在推荐架构中明确『隐私作用域契约』，避免合规盲区。
- 用 logged margin certificate 监控线上 slate 替换稳定性：记录每个 slate 的最小贪心决策间隔，当分数更新导致的目标移动小于一半 margin 时，顺序不变；该机制可用于安全部署模型更新、减少线上排序抖动和 A/B 测试中的 churn。
- 针对在线学习、探索噪声等 noisy scores 场景，引入 anchor weight 降低 ranking churn；电商推荐中可对新品或冷启动 item 的分数增加先验锚定权重，稳定列表展示。
- 审计轨迹：选择器输出附带可审计的差分隐私 trace，有利于治理与事件回溯；可在推荐系统日志中记录特征、分数、选择规则，形成可验证的决策链路。