Page 278 - 《软件学报》2026年第6期

薛大暄 等: 基于差分隐私的通信高效联邦推荐方法 2597

策略, 用于动态选择网络结构中的深层子模型以优化通信开销, 同时采用本地梯度裁剪与高斯噪声机制进一步增
强隐私保护能力. 算法 3 为 Priv-FedNCF-Sub-Compress (privacy compressed submodel of federated neural collaborative
filtering) 算法的具体步骤.
算法 3. 基于差分隐私的通信高效联邦深度学习推荐算法 Priv-FedNCF-Sub-Compress.

T
E
输入: 客户端数量 N, 采样比例 k, 全局训练轮数 , 本地训练轮数 , 参与更新的客户端数量 n m , 隐私预算 , 本地
ϵ 3
裁剪阈值 C, 稀疏化阈值 τ, 梯度扰动裁剪阈值 P;
W.
输出: 全局模型
服务器端:
1. 初始化全局参数 W 0 = W s +W d
T
2. for t = 1 to do 全局迭代
3. 由 DP-SUB 算法筛选下发浅层网络 W s 的子模型 X sub
4. 随机抽取 m 个客户端: m = max(n×k,1), 其用户向量集合为 S t = {S 1 ,S 2 ,...,S m }
5. 下发 X sub 和深层网络参数 W d 至用户向量 S t
6. for i = 1 to m do
7. 用户向量 S t 接收扰动更新参数 ∇X ′ sub 和 ∇W ′ clip
8. end for
9. 服务器采用 FedSubAvg 形成新一轮的全局模型 W t+1
10. end for
客户端:
1. 初始化特征向量 u i , 下载子模型 X sub 和 W d
2. for e = 1 to E do
3. 本地训练: u e+1 = u −αg e 计算 ∇X sub 和 ∇W d
e
i i u i
4. 根据公式 (13) 计算深层网络梯度 ∇W clip
( )
P ( )
2
5. 计算扰动后的 ∇X ′ = ∇X sub ×min 1, + N 0,σ P 2 进行本地裁剪并加噪
sub
||∇X sub || 2
( )
P ( )
2
6. 计算扰动后的 ∇W ′ clip = ∇W clip ×min 1, + N 0,σ P 2 进行本地裁剪并加噪
||∇W clip ||
2
7. 上传 ∇X ′ 和 ∇W ′ 至服务器
sub clip
8. end for
6 实验分析
本节对提出方法的性能进行了系统验证与全面评估. 首先, 第 6.1 节介绍实验中使用的数据集, 包括其来源、
规模及主要特性, 为实验研究提供了基础支持. 第 6.2 节详细说明所采用的评价指标及实验中选取的基准模型,
为后续性能对比分析奠定了标准. 第 6.3 节描述实验的具体配置, 包括模型参数、训练过程及实验硬件环境等
技术细节. 第 6.4 节基于实验结果对方法性能进行深入分析, 并与基准模型进行对比, 验证所提方法的有效性与
优越性.
6.1 实验数据集
本文使用 MovieLens 100K 和 MovieLens 1M 两个广泛应用于推荐系统研究的标准化数据集. 这两个数据集
分别代表了小规模与大规模推荐场景, 适用于不同条件下评估算法在处理稀疏数据与高维交互任务中的表现. 表 1
给出了数据集所对应的详细信息.