LightFR：プライバシー保護行列因子分解を用いた軽量フェデレーテッド推薦システム

フェデレーテッド推薦システム（FRS）は、多数のローカルデバイスがローカルの生データを送信することなく共同で共有モデルを学習できるため、プライバシー保護の利点を持つ一般的な推薦パラダイムとなっています。しかし、これまでのFRSの研究は連続埋め込み空間における内積を用いた類似性検索を行っており、アイテム数が非常に多い場合に効率のボトルネックが生じます。フェデレーテッド環境において、そのようなスキームはリソース制約のあるユーザーデバイス（すなわち、ストレージ容量、計算負荷、および通信帯域幅）の限界を無視しており、大規模推薦システムへの展開を困難にしています。さらに、サーバーとクライアント間で実数値の局所勾配を送信することがユーザーのプライバシー情報の漏えいを招く可能性があることも示されています。この問題に対し、本研究ではフェデレーテッド環境下でハッシュ学習技術を活用して高品質なバイナリコードを生成でき、オンライン推論の高速性とメモリ消費の効率性を両立する軽量フェデレーテッド推薦フレームワークLightFRを提案します。さらに、サーバーとクライアント間でのモデルパラメータの共同学習に向けた効率的なフェデレーテッド離散最適化アルゴリズムを考案し、悪意ある第三者による実数値勾配攻撃を効果的に防止します。4つの実世界データセットにおける広範な実験から、LightFRモデルは推薦精度、推論効率、およびデータプライバシーの面でいくつかの最先端FRS手法を上回ることを示しています。