近日，ACM International Conference on Information and Knowledge Management (CIKM2024) 录用论文结果揭晓。李国徽教授指导的博士生张陆的论文“EFVAE: Efficient Federated Variational AutoEncoder for Collaborative Filtering”被录用。

该论文聚焦于解决联邦学习推荐系统中的训练通信成本过高问题。在推荐系统领域，联邦学习已成为应对隐私问题的重要方法。然而，现有的联邦变分自编码器（FedVAE）在训练过程中，由于其模型参数与物品数量相关，导致通信成本过高，限制了其实用性。                                    

针对这一问题，论文提出了一种高效的联邦变分自编码器框架（EFVAE）。EFVAE引入了一种联邦协同重要性采样（FCIS）方法，显著减少了模型训练过程中的通信成本。该方法通过客户端与服务器之间的协同采样机制，动态地近似解码分布，从而在保持推荐性能的同时，大幅降低了通信成本。实验结果表明，EFVAE不仅有效降低了通信开销，还在推荐性能上表现出色，尤其是在稀疏数据场景下展现了明显的优势。此外，FCIS还能应用于其它基于自编码器的推荐系统，进一步显示了其在多种场景下的适用性和有效性。