近日，软件工程学院（滴水湖国际软件学院）、软硬件协同设计技术与应用教育部工程研究中心可信智能软件与系统（Mastlab-T3S）实验室本科生陆朱峰作为第一作者的论文《Gradients as an Action: Towards Communication-Efficient Federated Recommender Systems via Adaptive Action Sharing》被CCF-A类数据挖掘领域顶级国际会议ACM KDD 2025（Knowledge Discovery and Data Mining）的Research Track接收。

该论文其他合作者包括郏晨涛（学院2023级硕士生）、胡铭（新加坡管理大学，学院2019级博士）、谢肖飞（新加坡管理大学教授）和陈铭松（学院教授）。

陆朱峰于2024年4月加入实验室，师从陈铭松教授，聚焦联邦推荐系统研究。近年来，该实验室围绕可信联邦学习开展研究，在联邦学习算法、架构与系统方面取得了系列性成果，在DAC、RTSS、AAAI、ICDE、KDD、TCAD等权威会议与期刊上发表CCF A类论文10余篇。

成果介绍：

联邦学习(FL)作为一种极具前景的隐私感知协作模型训练范式，在分布式推荐系统的设计中正日益流行。然而，联邦推荐系统(FedRecs)存在两个主要问题：i)由于推荐系统涉及海量项目嵌入，导致联邦训练过程中的通信开销极高；ii)由于现实环境中异构设备和网络环境的情况存在，导致训练效率极低。尽管现有方法尝试采用各种压缩技术来降低通信开销，但由于模型压缩引入的参数误差，模型性能不可避免地会下降。

FedRAS框架与流程图

为了同时解决上述问题，论文作者提出了一种通信高效的联邦学习框架FedRAS，该框架采用动作共享策略，将项目嵌入的梯度聚类到特定数量的模型更新动作中进行通信，而不是直接压缩项目嵌入。这样，云服务器就可以使用来自客户端的有限动作来更新所有项目。由于梯度值远小于项目嵌入，因此与将整个项目嵌入矩阵压缩到缩小的空间相比，限制梯度方向（即动作空间）引入的误差更小。为了适应异构设备和网络环境，FedRAS采用了自适应聚类机制，可以动态调整动作数量。在知名数据集上进行的全面实验表明，FedRAS可以将通信负载大小减少高达96.88%，同时不会牺牲在各种异构场景下的推荐性能。

关于KDD会议：

KDD是数据挖掘和知识发现领域影响力最高的顶级国际会议，由ACM（美国计算机协会）主办，以其严格的审稿标准和高质量的研究成果闻名，被CCF（中国计算机学会）推荐为A类国际顶级会议。本次会议采用OpenReview平台进行双盲评审，Research Track的论文录用率仅约18.4%。