基于随机通信链接的偏差校正联邦学习方法在视频推荐中的应用 周超辰（Chaochen Zhou）、 裴亚东（Yadong Pei）和 李志yu（Zhidu Li）

《Entropy》：Bias-Corrected Federated Learning for Video Recommendation over Stochastic Communication Links Chaochen Zhou, Yadong Pei and Zhidu Li

　　

摘要

随着大规模视频平台对保护隐私和提供实时个性化服务的需求不断增加，在实际通信网络中设计稳健的联邦推荐框架变得越来越重要。为此，本文提出了一种针对随机通信链接的视频推荐而定制的、具有偏差纠正功能的联邦学习框架。在本地训练阶段，引入了一种偏差纠正机制，以明确考虑视频时长和用户活动，从而减轻特征层面的偏差，并使学习到的表示更准确地反映用户的真实偏好。为了满足实时联邦学习的时效性要求，本文从分析角度表征了在时变信道条件下本地模型传输的成功上传概率。基于该概率模型，设计了一种统计校正的全局聚合策略，即使在部分本地节点未能在指定延迟限制内上传模型时，也能确保全局更新的公正性（即与理想的完全可靠FedAvg方案相当）。全面的实验评估表明，所提出的框架显著提高了推荐准确性，并在实际分布式环境中具备对通信不可靠性的鲁棒性。