FedSCOPE: 分離対照学習とプライバシー保護型セマンティック強化を用いたフェデレーテッドなクロスドメイン順序推薦

なぜより賢く、より安全な推薦が重要なのか

映画を閲覧したり、オンラインで買い物をしたり、レビューを読むたびに、推薦システムは次に何を表示するかを静かに決めています。私たちのデジタル生活が多くのアプリやウェブサイトにまたがるにつれて、それらのシステムはユーザーのすべての行動から同時に学べればはるかに良い働きをするはずです――しかしプライベートなデータを決して晒さない方法で。 本稿はFedSCOPEを紹介します。これは、異なるプラットフォーム間で協調して、より正確でユーザーのプライバシーにも配慮した推薦を実現する新しい手法です。

現在の推薦エンジンが抱える問題

多くの現行推薦システムは単一のアプリやウェブサイト内で動作し、限られた行動の断片しか見ていません。そのため履歴の少ない「コールドスタート」ユーザーや、関わる人が少ないニッチな商品の扱いに苦戦します。書籍と映画、食品とキッチン用品のようにドメインを越えてデータを組み合わせようとすると、三つの大きな問題に直面します。データがしばしば疎であること、プラットフォームごとにユーザーや行動の種類が大きく異なること、そして厳しいプライバシー規制のために生データを一箇所に集めるのがリスクになることです。全員に同じ量のプライバシー用ノイズを加えると、保護が不十分になったり精度が大幅に低下したりするのが一般的です。

言語モデルで欠けを埋める

FedSCOPEは、各プラットフォームが大規模言語モデル（LLM）を使ってデータを強化することで疎性の問題に対処しますが、通常とは異なる、プライバシーを意識した方法を採ります。おすすめのたびにユーザー履歴をリモートAIサービスに送るのではなく、各クライアントは一度きりのオフライン処理を行います。映画のタイトルやジャンルなどの基本的なアイテム情報をLLMに与え、可能性の高いテーマ、視聴習慣、関連する関心事のような構造化された記述を生成させます。こうして生成された属性はローカルの端末やサーバーに留まり、通常のクリックや視聴履歴と軽量なニューラルネットワークで融合されます。これにより、特に記録された相互作用が少ない場合でも、ユーザーやアイテムの理解が豊かになります。処理がオフラインかつローカルで行われるため、生の行動データがプラットフォームの外に出ることはなく、外部AIサービスへの継続的依存も生じません。

個人情報と共有情報を分離する

複数ドメインからの行動を有効活用しつつ有害な信号の混濁を避けるために、FedSCOPEは「分離対照学習」と呼ぶ学習戦略を導入します。簡単に言えば、システムは同時に二つのことを学びます。まず各ドメイン内――たとえば映画側だけ――で類似した振る舞いをするユーザーを引き寄せ、異なる振る舞いをするユーザーを遠ざけることで、その環境内での個人の嗜好を明確にします。次にドメイン間では同じユーザーの表現を整合させつつ、異なるユーザーは区別したままにします。こうすることで、あなたが何を観るかが何を読むか、あるいは何を買うかを予測するのに役立ちますが、他人と混同されることはありません。「ドメイン内」と「ドメイン間」の目標を分けて扱うことで、すべてを一つの共有フォーマットに押し込めて微細な嗜好を失うという一般的な落とし穴を避けます。

有用性を捨てずにプライバシーを守る

差分プライバシーとして知られる強い数学的プライバシーは通常、中央サーバーに共有する前にモデル更新にランダムノイズを加えることを意味します。これまでの多くのシステムはすべての参加者に同じプライバシー設定を使ってきましたが、数百万のユーザーを持つクライアントと数千しか持たないクライアントが混在する状況では適切とは言えません。FedSCOPEは代わりに各クライアントに個別のプライバシー予算を与え、データ量や過去の挙動に基づいて更新のクリッピングや摂動の度合いを適応させます。データが豊富な大規模プラットフォームは過剰なノイズを加えられずにより精度の高い情報を提供でき、小規模なプラットフォームはより強く保護されます。すべての更新は安全な集約で結合されるため、サーバーが個々の寄与をそのまま見ることはありません。

実験で示された実用上の成果

著者らはAmazonの実データを用いてFedSCOPEを検証し、映画と書籍、食品とキッチンなどのドメインの組み合わせでテストしました。プライバシー保護型やクロスドメイン手法を含む複数の現代的な推薦手法と比較したところ、複数の精度指標においてFedSCOPEは一貫して上位、あるいは上位付近の成績を示しました。学習の収束は速く、過去の相互作用が非常に少ないユーザーにも有効であり、参加クライアント数や各ラウンドでサンプリングされる割合が変化しても堅牢でした。重要な点として、プライバシー制約を厳しくした場合でも、FedSCOPEの適応戦略は画一的な差分プライバシーを用いたシステムよりも性能を高く維持しました。

日常のユーザーにとっての意味

一般の視点から見ると、FedSCOPEはあなたの生のデータを一つに集めることなく、お気に入りのアプリが協調して嗜好をより深く理解できる未来を示しています。言語モデルによる履歴の強化、ドメイン固有の情報と共有情報の慎重な分離、参加者ごとのプライバシー調整を組み合わせることで、このフレームワークはより関連性の高い、かつ個人情報を尊重する推薦を提供します。実務的には、次に何を見るか、読むか、買うかについてのより良い提案が得られる一方で、デジタルプライバシーを犠牲にする必要がなくなることを意味します。

引用: 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

キーワード: フェデレーテッド推薦, プライバシー保護AI, クロスドメインパーソナライゼーション, 大規模言語モデル, 差分プライバシー