장기 지역 최적화 기반 개인화 연합 추천

연합 추천(FedRec)은 사용자 기기에서 원시 상호작용 데이터를 공유하지 않고 모델을 훈련하여 개인 정보 보호를 강화한 추천 시스템입니다. 그러나 개인화된 FedRec은 개인화와 자원 효율성 사이에서 여전히 상충 관계에 직면해 있습니다. 본 연구는 지역 최적화 관점에서 개인화를 재조명합니다. 충분히 긴 지역 최적화가 사용자별 아이템 구조를 형성할 수 있지만, 잦은 동기화나 전체 교체는 이를 방해할 수 있음을 발견했습니다. 이러한 관찰을 바탕으로, 본 연구는 모델 불가지론적 프레임워크인 FedRKG를 제안합니다. FedRKG는 장기 지역 최적화(Long-Horizon Local Optimization)를 통해 개인화된 아이템 임베딩을 형성하고, 간헐적인 정규화된 지식 유도(Regularized Knowledge Guidance)를 통해 공통 전역 지식을 주입합니다. 이 설계는 지역 임베딩을 교체하거나 이중 표현을 유지할 필요 없이 공유된 협업 신호를 통합합니다. 또한, 사용자-아이템 상호작용 수준에서 전역 지식의 영향을 제어하기 위한 적응형 유도(Adaptive Guidance)를 도입합니다. 광범위한 실험 결과, FedRKG는 저장 및 통신 비용을 절감하면서 최신 FedRec 기준선보다 지속적으로 우수한 성능을 보였습니다. 본 연구는 개인화된 연합 추천 시스템의 효율성과 성능을 동시에 향상시키는 새로운 접근 방식을 제시하며, 향후 관련 연구 및 실제 서비스 개발에 기여할 수 있을 것으로 기대됩니다.