FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling

近年来，跨领域推荐（CDR）引起了广泛关注，它利用来自多个领域的用户数据来提高推荐性能。然而，当前的CDR方法需要跨领域共享用户数据，从而违反了《通用数据保护条例》（GDPR）。因此，已经提出了许多联邦跨领域推荐（FedCDR）方法。然而，不同领域之间的数据异构性不可避免地影响了联邦学习的整体性能。在本研究中，我们提出了FedHCDR，一种基于超图信号解耦的新型联邦跨领域推荐框架。具体而言，为了解决不同领域之间的数据异构性，我们引入了一种称为超图信号解耦（HSD）的方法，将用户特征分解为领域专有和领域共享特征。该方法采用高通和低通超图滤波器来解耦领域专有和领域共享用户表示，这些表示通过本地-全局双向传递算法进行训练。此外，设计了一个超图对比学习（HCL）模块，通过扰动用户超图来增强领域共享用户关系信息的学习。在三个真实场景下进行的大量实验证明，FedHCDR明显优于现有基线。

本论文旨在解决跨域推荐中的数据保护问题，提出了一种新的联邦学习框架FedHCDR，用于解决不同域之间数据异构性对联邦学习性能的影响。

论文提出了一种称为超图信号解耦（HSD）的方法，将用户特征分解为域独占和域共享特征。使用高通和低通超图滤波器来分离域独占和域共享用户表示，并通过本地-全局双向转移算法进行训练。此外，还设计了超图对比学习（HCL）模块，通过扰动用户超图来增强域共享用户关系信息的学习。

实验结果表明，FedHCDR在三个真实场景下的表现显著优于现有基线。值得注意的是，该论文提出的HSD和HCL方法为解决跨域推荐中的数据异构性问题提供了新思路。

相关研究包括Federated Collaborative Filtering with Only Sparse User Behavior Data Across Participating Sites、Federated Learning for Cross-Domain Recommender Systems: A Review、Federated Recommender Systems: A Review of Recent Research。