FedSCOPE: המלצה רצףית בין-תחומית בפדרציה עם למידה ניגודית מופרדת והגברה סמנטית משמרת פרטיות

מדוע המלצות חכמות ובטוחות חשובות

בכל פעם שאתם דפדפים בסרטים, קונים אונליין או קוראים ביקורות, מערכות המלצה מחליטות בשקט מה להציג לכם לאחר מכן. ככל שחיינו הדיגיטליים מתפזרים על פני אפליקציות ואתרי אינטרנט רבים, אותן מערכות יוכלו לעשות עבודה טובה יותר אם יוכלו ללמוד מכל הפעילות שלכם בבת אחת — מבלי לחשוף את הנתונים הפרטיים שלכם. מאמר זה מציג את FedSCOPE, שיטה חדשה שבה פלטפורמות שונות משתפות פעולה על המלצות שהן גם מדויקות יותר וגם מכבדות יותר את פרטיות המשתמשים.

הבעיה עם מנועי ההמלצות המודרניים

רוב מערכות ההמלצה הקיימות פועלות בתוך אפליקציה או אתר יחיד ורואות רק חתיכה צרה מהתנהגותכם. משמעות הדבר היא שהן נאבקות עם משתמשים "במצב התחלה קרה" שיש להם מעט היסטוריה, או עם מוצרים נישתיים שמעורבים בהם מעט אנשים. כאשר חברות מנסות לשלב נתונים בין תחומים — כמו ספרים וסרטים, או אוכל וכלי מטבח — הן נתקלות בשלוש בעיות עיקריות: הנתונים לעתים קרובות דלילים, לפלטפורמות שונות יש סוגים שונים של משתמשים ופעילויות, וכללי פרטיות מחמירים מקשים על ריכוז נתונים גולמיים במקום אחד. פתרונות פשוטים, כמו הוספת רעש משמר פרטיות באותה עוצמה לכל המשתתפים, נוטים או להחליש את ההגנה או לפגוע קשות בדיוק.

לאפשר למודלי שפה למלא את החסר

FedSCOPE מתמודד עם בעיית הדלדלות הנתונים על ידי כך שכל פלטפורמה מעשרת את הנתונים שלה באמצעות מודל שפה גדול (LLM), אך בצורה יוצאת דופן ותשומת-לב לפרטיות. במקום לשלוח היסטוריות משתמשים לשירות AI מרוחק בכל בקשת המלצה, כל לקוח מריץ תהליך מקומי ולא מקוון פעם אחת: הוא מעביר כותרות ומידע בסיסי על הפריטים (למשל, שם הסרט וז'אנר) ל-LLM ובקשת תיאורים ממוסמכים, כמו נושאים סבירים, הרגלי צפייה או תחומי עניין קשורים. התכונות שנוצרו נשארות במכשיר המקומי או בשרת המקומי וממוזגות עם היסטוריות הקלקות וצפיות הרגילות באמצעות רשת עצבית קלת משקל. זה נותן למערכת תחושה עשירה יותר של משתמשים ופריטים, מה שמועיל במיוחד כשמתועדות מעט אינטראקציות. מאחר שהתהליך הוא מקומי ולא מקוון, ההתנהגויות הגולמיות לעולם לא עוזבות את הפלטפורמה ואין תלות מתמשכת בשירותי AI חיצוניים.

להפריד בין מה שהוא אישי לבין מה שניתן לשתף

כדי להשתמש בהתנהגויות ממספר תחומים מבלי לערבב אותות בצורה מזיקה, FedSCOPE מציגה אסטרטגיית אימון הנקראת למידה ניגודית מופרדת. בפשטות, המערכת לומדת שני דברים במקביל. ראשית, בתוך כל תחום — למשל רק צד הסרטים — היא מקרבת משתמשים שמתנהגים בדומה ומרחיקה את אלה שלא, וזו מחזקת את תחושת הטעם האישי בתוך אותו סביבה. שנית, בין התחומים היא מיישרת ייצוגים של אותו משתמש בעוד שומרת על הבדלי משתמשים, כך שמה שאתם צופים בו יכול לסייע לחזות מה תקריאו או תרכשו, בלי לערפל אתכם עם אחרים. על ידי טיפול במטרות "בתוך-התחום" ו"בין-תחומים" בנפרד, השיטה נמנעת ממלכודת נפוצה שבה אילוץ הכל לתבנית משותפת אחת הורס העדפות עדינות.

להגן על הפרטיות בלי לוותר על התועלת

פרטיות מתמטית חזקה, הידועה כפרטיות דיפרנציאלית, בדרך כלל פירושה הוספת רעש אקראי לעדכוני המודל לפני שמשתפים אותם עם השרת המרכזי. מערכות רבות קודמות השתמשו באותם הגדרות פרטיות לכל משתתף, מה שלא מתאים כאשר חלק מהלקוחות הם פלטפורמות עם מיליוני משתמשים ואחרים רק מספר אלפים. FedSCOPE לעומת זאת נותנת לכל לקוח תקציב פרטיות מותאם אישית ומותאמת את כמות החיתוך וההפרעות בעדכוניו על בסיס גודל הנתונים שלו והתנהגותו בעבר. פלטפורמות גדולות ועשירות בנתונים יכולות לתרום מידע מדויק יותר ללא רעש מופרז, בעוד שקטנות יותר מוגנות ביתר עוצמה. כל העדכונים משולבים לאחר מכן באמצעות אגגרגציה מאובטחת, כך שהשרת לעולם לא רואה תרומה בודדת בבהירות.

מה הניסויים מראים בפועל

הכותבים בדקו את FedSCOPE על נתוני קניות מהעולם האמיתי מאמזון, תוך שילוב תחומים כמו סרטים עם ספרים ואוכל עם מטבח. הם השוו את השיטה לטווח של שיטות המלצה מודרניות, כולל גישות אחרות המשמרות פרטיות ובין-תחומיות. במדדי דיוק מרובים, FedSCOPE דורג בעקביות בראש או קרוב לו. היא התכנסה מהר יותר במהלך האימון, עבדה טוב יותר עבור משתמשים בעלי מעט מאוד אינטראקציות קודמות והחזיקה מעמד היטב כאשר מספר הלקוחות המשתתפים או החלק המדגם בכל סבב השתנה. חשוב לו לציין, שכאשר הקבוצה החמירה את מגבלות הפרטיות, האסטרטגיה המסתגלת של FedSCOPE שמרה על ביצועים גבוהים משמעותית לעומת מערכות שהשתמשו בפרטיות דיפרנציאלית אחידה לכולם.

מה זה אומר למשתמשים בחיי היומיום

מנקודת מבט של אדם מן השורה, FedSCOPE מצביע על עתיד שבו האפליקציות המועדפות עליכם יכולות לשתף פעולה כדי להבין את הטעם שלכם לעומק מבלי לאחד את הנתונים הגולמיים שלכם. על ידי העשרת היסטוריות דלילות בתובנות ממודלי שפה, הפרדה מדוקדקת בין מה שהוא ספציפי לתחום ומה שניתן לשתף, וכיוון של בקרות פרטיות לכל משתתף, המסגרת מספקת המלצות שהן גם רלבנטיות יותר וגם מכבדות יותר את המידע האישי. במובן הפרקטי, זה יכול להתבטא בהצעות טובות יותר למה לצפות, לקרוא או לקנות לאחר מכן — מבלי לוותר על פרטיותכם הדיגיטלית.

ציטוט: Zhao, L., Lin, Y., Qin, S. et al. FedSCOPE: Federated cross-domain sequential recommendation with decoupled contrastive learning and privacy-preserving semantic enhancement. Sci Rep 16, 7420 (2026). https://doi.org/10.1038/s41598-026-38628-y

מילות מפתח: המלצה בפדרציה, בינה מלאכותית משמרת פרטיות, התאמה אישית בין-תחומית, מודלים גדולים של שפה, פרטיות דיפרנציאלית