小红书精读：FedHUR: Learning Hierarchical Utility-Guided Client Relations for Personalized Federated Recommendation

联邦推荐还在算相似度？这篇换了思路 🔧

各位算法同学们，联邦推荐里聚合权重这件事，主流做法是算 client 之间的参数相似度，像就多聚合。但 FedHUR 这篇提了个挺直接的质疑：相似的 client 未必对你有用，而且拿一个全局关系去描述两个用户，本身就概括不了他们在不同品类上的关系。

📄 FedHUR: Learning Hierarchical Utility-Guided Client Relations for Personalized Federated Recommendation

🔧 聚合对象换成 item-item filter。不比整个参数空间，而是在 item 图上做滤波，从滤波结果反推哪些 item 还缺外部信息，把关系构建和聚合统一到同一个对象上。

🧩 关系做成层级。先把 item 聚成粗粒度组算 coarse filter，再在每组内切细粒度算 fine filter，细粒度关系继承粗粒度的信息。好处是避免在只有少数用户交互过的稀疏 item 上硬算关系，减少噪声和冲突。

⚙️ 权重由 utility 决定，不由预定义假设决定。client 上传 utility signal，server 据此召回候选再训 scorer 打分，归一化成聚合权重，衡量的是聚合后预测能不能变好。作者也强调这样不用反复做聚合加验证，省计算和通信。

📊 实验覆盖 5 个真实数据集，FedHUR 一致优于现有联邦推荐 baseline，没有哪个数据集掉点。

📈 摘要只给了 consistently outperforms 这种结论，逐数据集的涨幅在正文实验表里，我看到的版本被截断了，具体数字得自己去论文里核。

✅ 跟 FedCA 的相似加互补、FedRAP 的共享加个性化分解比，差别在于关系不是先验给的，是拿聚合后的效用反推出来的。

总结：如果你在做 personalized federated recommendation，尤其是还在用参数相似度定权重，这篇可以直接拿来当对比基线。要盯两个指标，一是逐 client 的个体指标而不是全局平均，二是候选检索和 scorer 训练带来的额外开销。坑在于层级粒度怎么切是超参，层数和组大小换数据集大概率要重调；另外 server 端多了一个 scorer 要训，权重分布稳不稳得自己验。

原文：AlphaXiv