FedSCOPE: Ayrık karşıt öğrenme ve gizliliği koruyan anlamsal güçlendirme ile federasyonel çapraz alan sıralı öneri

Neden daha akıllı, daha güvenli öneriler önemli?

Her film gezintinizde, çevrimiçi alışverişte veya inceleme okurken öneri sistemleri size bir sonraki ne gösterileceğine sessizce karar verir. Dijital yaşamlarımız birçok uygulama ve web sitesine yayıldıkça, bu sistemler tüm etkinliklerinizi aynı anda öğrenebilseydi—özel verilerinizi asla açığa çıkarmadan—çok daha iyi performans gösterebilirler. Bu makale FedSCOPE’u tanıtıyor: farklı platformların daha doğru ve kullanıcı gizliliğine daha saygılı öneriler üzerinde iş birliği yapmasını sağlayan yeni bir yaklaşım.

Günümüz öneri motorlarındaki sorunlar

Çoğu mevcut öneri sistemi tek bir uygulama veya web sitesi içinde yaşar ve davranışlarınızın yalnızca dar bir kesitini görür. Bu, geçmişi az olan “soğuk başlangıç” kullanıcıları veya az sayıda etkileşimi olan niş ürünlerle başa çıkmakta zorlandıkları anlamına gelir. Şirketler kitap ve filmler ya da gıda ve mutfak gereçleri gibi alanlar arasında veri birleştirmeye çalıştığında üç büyük sorunla karşılaşırlar: veriler genellikle seyrektir, farklı platformların çok farklı kullanıcı ve etkinlik türleri vardır ve katı gizlilik kuralları ham verileri tek bir yerde birleştirmeyi riskli kılar. Herkese aynı miktarda gizliliği koruyan gürültü eklemek gibi basit düzeltmeler ya korumayı zayıflatma eğilimindedir ya da doğruluğu ciddi şekilde düşürür.

Dil modellerinin boşlukları doldurmasına izin vermek

FedSCOPE, her platformun verisini büyük bir dil modelini (LLM) kullanarak zenginleştirmesini sağlayarak seyrek veri sorununu ele alır, ancak alışılmadık ve gizlilik bilincine sahip bir şekilde. Kullanıcı geçmişlerini her öneride uzak bir yapay zekâ hizmetine göndermek yerine, her istemci bir kerelik çevrimdışı bir süreç yürütür: başlıklar ve temel öğe bilgilerini (örneğin bir filmin adı ve türü) LLM’ye verir ve olası temalar, izleme alışkanlıkları veya ilişkili ilgi alanları gibi yapılandırılmış açıklamalar ister. Bu oluşturulan öznitelikler yerel cihazda veya sunucuda kalır ve hafif bir sinir ağı kullanılarak normal tıklama ve izleme geçmişleriyle birleştirilir. Bu, özellikle kayıtlı etkileşimlerin az olduğu durumlarda kullanıcılara ve öğelere dair daha zengin bir anlayış sağlar. Süreç çevrimdışı ve yerel olduğundan, ham davranış platformu terk etmez ve sürekli dış AI hizmetlerine bağımlılık oluşmaz.

Kişisel olan ile paylaşılanı ayırmak

Birden çok alandan gelen davranışları zararlı şekilde karıştırmadan kullanmak için FedSCOPE, ayrık karşıt öğrenme (decoupled contrastive learning) adında bir eğitim stratejisi getirir. Basitçe ifade etmek gerekirse, sistem aynı anda iki şeyi öğrenir. Birincisi, her alan içinde—örneğin sadece film tarafında—benzer davranan kullanıcıları yakınlaştırır ve farklı davrananları uzaklaştırır; bu, o ortam içindeki kişisel zevk algısını keskinleştirir. İkincisi, alanlar arasında aynı kullanıcının temsillerini hizalarken farklı kullanıcıları ayrı tutar; böylece ne izlediğiniz, ne okuyabileceğiniz veya ne satın alabileceğiniz konusunda yardımcı olurken sizi başkalarıyla bulanıklaştırmaz. Bu “alan içi” ve “alanlar arası” hedefleri ayrı ayrı ele alarak, her şeyi tek bir ortak kalıba zorlamanın ince zevkleri yok ettiği yaygın bir tuzaktan kaçınılır.

Yararlılığı feda etmeden gizliliği korumak

Farklılaştırılmış gizlilik olarak bilinen güçlü matematiksel gizlilik genellikle model güncellemelerine merkezi sunucuya gönderilmeden önce rastgele gürültü eklemeyi gerektirir. Birçok önceki sistem her katılımcı için aynı gizlilik ayarlarını kullandı; bu, bazı istemcilerin milyonlarca kullanıcıya sahip olduğu, bazılarınınsa yalnızca birkaç bin kullanıcıya sahip olduğu durumlarda kötü bir uyumdur. FedSCOPE bunun yerine her istemciye kişiselleştirilmiş bir gizlilik bütçesi verir ve güncellemelerini ne kadar budayacağına ve bozacağına veri büyüklüğüne ve geçmiş davranışına göre uyarlar. Büyük, veri zengini platformlar aşırı gürültülenmeden daha kesin bilgi sağlayabilirken, daha küçük olanlar daha agresif şekilde korunur. Tüm güncellemeler sonra güvenli toplama (secure aggregation) ile birleştirilir, böylece sunucu hiçbir bireysel katkıyı açık hâlde görmez.

Deneyler pratikte ne gösteriyor?

Yazarlar FedSCOPE’u Amazon’dan alınan gerçek dünya alışveriş verileri üzerinde, Filmler ile Kitaplar ve Gıda ile Mutfak gibi alanları eşleştirerek test ettiler. Bunu diğer güncel öneri yöntemleriyle, ayrıca farklı gizlilik koruyan ve çapraz alan yaklaşımlarıyla karşılaştırdılar. Birçok doğruluk ölçüsünde FedSCOPE sürekli olarak en üstte veya yakınında yer aldı. Eğitim sırasında daha hızlı yakınsadı, geçmiş etkileşimi çok az olan kullanıcılar için daha iyi çalıştı ve katılan istemci sayısı veya her turda örneklenen oran değiştiğinde iyi performansını korudu. Önemli olarak, ekip gizlilik kısıtlarını sıkılaştırdığında, FedSCOPE’un uyarlanabilir stratejisi tek tip farklılaştırılmış gizlilik kullanan sistemlere göre performansı çok daha yüksek tuttu.

Günlük kullanıcılar için bunun anlamı nedir?

Bir sıradan kullanıcı bakış açısından FedSCOPE, favori uygulamalarınızın ham verilerinizi asla havuzlamadan zevklerinizi daha derinlemesine anlamak için iş birliği yapabileceği bir geleceğe işaret ediyor. Seyrek geçmişleri dil modeli çıkarımıyla zenginleştirerek, alanlara özgü olan ile paylaşılanı dikkatle ayırarak ve gizlilik kontrollerini her katılımcıya göre ayarlayarak çerçeve hem daha ilgili hem de kişisel bilgilere daha saygılı öneriler sunuyor. Pratik anlamda bu, sırada ne izleneceği, ne okunacağı veya ne satın alınacağı konusunda dijital gizliliğinizden ödün vermeden daha iyi öneriler anlamına gelebilir.

Atıf: 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

Anahtar kelimeler: federated öneri, gizliliği koruyan Yapay Zeka, çapraz alan kişiselleştirme, büyük dil modelleri, farklılaştırılmış gizlilik