[論文レビュー] Personalized Federated Sequential Recommender

Yicheng Di|arXiv (Cornell University)|Mar 22, 2026

Recommender Systems and Techniques被引用数 0

ひとこと要約

PFSRはAssociative Mamba Block、Variable Response Mechanism、Dynamic Magnitude Lossを導入し、細粒度かつ効率的な個別化連合シーケンシャル推奨を可能にする。複数データセットで優れた性能と効率を達成。

ABSTRACT

In the domain of consumer electronics, personalized sequential recommendation has emerged as a central task. Current methodologies in this field are largely centered on modeling user behavior and have achieved notable performance. Nevertheless, the inherent quadratic computational complexity typical of most existing approaches often leads to inefficiencies that hinder real-time recommendation. Moreover, these methods face challenges in being effectively adapted to the personalized requirements of users across diverse scenarios. To tackle these issues, we propose the Personalized Federated Sequential Recommender (PFSR). In this framework, an Associative Mamba Block is introduced to capture user profiles from a global perspective while improving prediction efficiency. In addition, a Variable Response Mechanism is developed to enable fine-tuning of parameters in accordance with individual user needs. A Dynamic Magnitude Loss is further devised to preserve greater amounts of localized personalized information throughout the training process.

研究の動機と目的

• 家電製品における個別化シーケンシャル推奨の動機づけと、二次平方計算による非効率の解消
• 個別化連合学習のための微細なグローバルモデリング框組の提案
• 個別パラメータをノイズから保護しつつ局所情報を保持する機構の導入
• 現実世界データセットでの実験を通じた効率と有効性の実証

提案手法

• Fisher情報を用いたVariable Response Mechanismを導入し、層ごとのマスクを作成しパラメータを選択的に更新
• 埋め込みモジュール、Associative Mamba Block、予測モジュールを開発して双方向のグローバルユーザプロファイリングを実現
• 訓練中に局所的な個別情報を保持するための正則化項を伴うDynamic Magnitude Lossの導入
• エッジデバイスと中央サーバを含むフェデレーテッド設定での動作により、個別パラメータ適応を実現
• Associative Mamba Blockのハイパーパラメータとアーキテクチャ選択を含む実装詳細を提供

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドシーケンシャル推奨において微細なグローバルモデリングは効率を犠牲にすることなくパーソナライズを改善できるか
• RQ2 局所更新時に高情報パラメータを守るためのFisher情報ガイド付きパラメータマスキングは有効か
• RQ3 Associative Mamba Blockは多様な状況でグローバルユーザプロファイルを効果的に捉えるか
• RQ4 Dynamic Magnitude Lossは訓練全体を通じて局所的なパーソナライズを保持するか

主な発見

Dataset	HR@5	HR@10	NDCG@5	NDCG@10
Beauty	0.2447	0.3012	0.1817	0.2096
Beauty (SASRec)	0.1502	0.2038	0.1065	0.1239
Beauty (CoSeRec)	0.1519	0.2062	0.1081	0.1253
Beauty (SURGE)	0.1814	0.2586	0.1137	0.1425
Beauty (IOCRec)	0.1872	0.2439	0.1203	0.1387
Beauty (DuoRec)	0.2158	0.2721	0.1607	0.1826
Beauty (ContraRec)	0.1978	0.2456	0.1293	0.1402
Beauty (LRURec)	0.2235	0.2810	0.1664	0.1951
Beauty (EchoMamba4Rec)	0.1873	0.2395	0.1276	0.1342
Beauty (PFSR)	0.2447	0.3012	0.1817	0.2096
Yelp	0.3325	0.4679	0.2685	0.3112
Yelp (SASRec)	0.2607	0.3691	0.1834	0.2193
Yelp (CoSeRec)	0.2648	0.3746	0.1865	0.2228
Yelp (SURGE)	0.2723	0.3803	0.1901	0.2270
Yelp (IOCRec)	0.2875	0.3941	0.2077	0.2432
Yelp (DuoRec)	0.3214	0.4385	0.2574	0.2869
Yelp (ContraRec)	0.3031	0.4228	0.2145	0.2509
Yelp (LRURec)	0.3196	0.4493	0.2395	0.2967
Yelp (EchoMamba4Rec)	0.2947	0.4154	0.1964	0.2451
Yelp (PFSR)	0.3325	0.4679	0.2685	0.3112
Gowalla	0.7563	0.8554	0.6097	0.6426
Gowalla (SASRec)	0.6114	0.7287	0.4736	0.5119
Gowalla (CoSeRec)	0.6195	0.7375	0.4805	0.5213
Gowalla (SURGE)	0.6281	0.7468	0.4829	0.5312
Gowalla (IOCRec)	0.6326	0.7583	0.4931	0.5324
Gowalla (DuoRec)	0.6856	0.7938	0.5250	0.5651
Gowalla (ContraRec)	0.7072	0.8061	0.5594	0.5905
Gowalla (LRURec)	0.7158	0.8206	0.5681	0.5973
Gowalla (EchoMamba4Rec)	0.6795	0.7505	0.5012	0.5294
Gowalla (PFSR)	0.7563	0.8554	0.6097	0.6426

• PFSRはBeauty、Yelp、Gowallaデータセット全体でベースライン(SASRec, CoSeRec, SURGE, IOCRec, DuoRec, ContraRec, LRURec, EchoMamba4Rec)を一貫して上回る
• BeautyではPFSRがHR@5=0.2447, HR@10=0.3012, NDCG@5=0.1817, NDCG@10=0.2096でトップの指標を達成
• YelpではPFSRがHR@5=0.3325, HR@10=0.4679, NDCG@5=0.2685, NDCG@10=0.3112でトップの指標を達成
• GowallaではPFSRがHR@5=0.7563, HR@10=0.8554, NDCG@5=0.6097, NDCG@10=0.6426でトップの指標を達成
• 表の改善は strongest baselines に対して実質的な利得を示す（Improve%は相対利得を示す）
• Associative Mamba Blockのデュアルチャネル処理と提案されたパーソナライズ機構が精度と効率の双方を向上させることを裏付ける