近日，软件工程学院（滴水湖国际软件学院）、软硬件协同设计技术与应用教育部工程研究中心可信智能软件与系统（Mastlab-T3S）实验室本科生李振凯作为第一作者的论文《AdaFedRec: Adaptive Heterogeneous Federated Recommender Systems across Multi-Device Users》被CCF-A类数据库国际顶级会议ICDE 2026（IEEE International Conference on Data Engineering）的Research Track接收。

该论文其他合作者包括胡铭（新加坡管理大学，学院2019级博士）、郏晨涛（学院2023级硕士生）、谢肖飞（新加坡管理大学教授）和陈铭松（学院教授）等。

李振凯于2024年1月加入实验室，师从陈铭松教授，聚焦联邦学习与推荐系统研究。近年来，该实验室围绕可信人工智能开展研究，在智能算法、架构与系统等方面取得了系列性成果，在DAC、RTSS、AAAI、ICDE、KDD、TCAD等权威会议与期刊上发表CCF A类论文20余篇。

成果介绍

尽管联邦学习（FL）作为一种分布式机器学习范式在隐私保护的推荐系统模型训练中展现出良好前景，但其训练性能常因用户设备间的硬件资源异构性而受到限制，尤其是在拥有多终端设备的用户场景下。具体而言：i）部分用户设备的硬件能力有限，无法参与大规模、高性能模型的训练，而具备高性能设备的用户数量又较少，导致用于训练大型模型的数据量不足；ii）推荐系统通常部署在每位用户的多种异构设备上（如个人电脑与手机），这使得在多端设备之间迁移个性化特征、从而实现异构推荐模型的训练面临挑战。

AdaFedRec框架与流程图

为解决上述问题，论文作者提出了一个全新的异构联邦推荐框架AdaFedRec。该框架能够根据用户设备的可用资源自适应地分配异构模型进行本地训练，并在同一用户的多设备之间实现自适应的异构模型迁移机制。具体来说，该框架采用基于编码器—解码器的异构模型生成策略，实现异构设备间的协同模型训练；此外，AdaFedRec引入了基于知识扩散的模型迁移机制，以便在用户的多终端设备间进行模型训练。实验结果表明，AdaFedRec在所有数据集上都取得了最佳性能。

关于ICDE会议

ICDE是数据工程领域最具影响力的国际顶级学术会议之一。作为由IEEE主办的旗舰会议，ICDE自1984年创办以来，长期聚焦数据库、数据管理、大数据系统、数据挖掘、数据隐私与安全、机器学习系统等前沿方向，被CCF（中国计算机学会）推荐为A类国际顶级会议。