DIET: Customized Slimming for Incompatible Networks in Sequential Recommendation

由于移动边缘计算能力不断提升，推荐系统开始在边缘部署模型以减轻频繁移动请求导致的网络拥塞。一些研究利用边缘端与实时数据的接近性，对其进行微调，创建边缘特定模型。尽管这些方法取得了显著进展，但它们需要大量的边缘计算资源和频繁的网络传输来保持模型的更新。前者可能会干扰边缘上的其他进程以获取计算资源，而后者会消耗网络带宽，导致用户满意度下降。为了应对这些挑战，我们提出了一种定制化的不兼容网络瘦身框架（DIET）。DIET将相同的通用骨干（可能不适用于特定边缘）部署到所有设备上。为了最小化个性化频繁带宽使用和存储消耗，DIET根据其过去的交互为每个边缘量身定制特定的子网，学习生成瘦身子网（饮食）以在不兼容的网络中实现高效传输。它还考虑了层间关系，通过实证减少推理时间，同时获得更合适的饮食。我们进一步探索了网络中重复的模块，并提出了一种更节省存储的框架DIETING，利用单层参数表示整个网络，实现了相当优秀的性能。在四个最先进的数据集和两个广泛使用的模型上进行的实验证明了我们框架在推荐准确性、传输和存储效率方面的优越性。

DIET论文试图解决基于边缘计算的推荐系统中频繁计算和网络传输的问题，提出了一种定制化的模型压缩框架。

DIET框架使用相同的通用主干网络，但为每个边缘设备定制特定的子网络，以减少个性化计算和网络传输的需求，同时考虑网络中的重复模块以提高存储效率。

DIET在四个最先进的数据集和两个广泛使用的模型上进行了实验，证明了其在推荐准确性、传输效率和存储效率方面的优越性。值得关注的是，DIET还提供了一种更加存储高效的框架DIETING。

最近在这个领域中，还有一些相关的研究，如《Federated Collaborative Filtering for Privacy-Preserving Personalized Recommendation》、《Edge-Assisted Personalized Recommendation System with Privacy Preservation》等。