在推荐系统迈向多模态的今天，如何兼顾数据隐私与个性化图文理解？悉尼科技大学龙国栋教授团队联合香港理工大学杨强教授、张成奇教授团队，提出全新框架 FedVLR。该工作解决了联邦环境下多模态融合的异质性难题，已被人工智能顶级会议 AAAI 2026 接收为 Oral Presentation。

在当今的推荐系统中，利用图像和文本等多模态信息来辅助决策已是标配。然而，当这一需求遭遇联邦学习 —— 这一要求「数据不出本地」的隐私保护计算范式时，情况变得极其复杂。

现有的联邦推荐往往面临两难：要么为了保护隐私而放弃繁重的多模态处理，仅使用 ID 特征；要么采用「一刀切」（One-size-fits-all）的粗暴融合策略，假设所有用户对图文的偏好一致。

但现实是残酷的：用户的「融合偏好」天生具有极大的异质性。 购买服装时，用户可能更依赖视觉冲击；而挑选数码产品时，详尽的参数文本可能才是关键。这种偏好的差异，在数据不可见的联邦环境下，极难被捕捉。

为了打破这一瓶颈，悉尼科技大学龙国栋教授团队，联合香港理工大学人工智能高等研究院杨强院长、香港理工大学深圳研究院张成奇院长推出了 FedVLR 框架。其核心洞见在于重构了多模态融合的决策流：将重计算的特征预处理留给服务器，而将决定「怎么看」的融合决策权，通过轻量级路由机制彻底下放给用户端侧。

• 论文链接： https://arxiv.org/abs/2410.08478
• 代码仓库： https://github.com/mtics/FedVLR

痛点：当「多模态」遇上「数据孤岛」

在传统的中心化训练中，模型可以肆无忌惮地访问所有交互数据，轻松学习到图文融合的最佳权重。但在联邦学习中，服务器看不见用户的行为数据，也就无法得知：对于用户 A 来说，到底是图片重要还是文字重要？

这种「信息不对称」导致了现有方法的局限性：

1. 计算瓶颈： 端侧设备算力有限，难以运行庞大的视觉 - 语言模型（如 CLIP）。
2. 个性化缺失： 全局统一的融合规则无法满足用户千差万别的浏览习惯。

FedVLR 核心架构：服务器「备菜」，客户端「掌勺」

FedVLR 创新性地提出了一种双层融合机制，巧妙地解耦了特征提取与偏好融合。

第一层：服务器端的「多视图预融合」—— 解决算力焦虑，提供丰富素材

FedVLR 将繁重的计算任务锁定在服务器端。利用强大的预训练视觉 - 语言模型，服务器不直接下发原始特征，而是通过多种预设的融合算子，将物品的图像、文本和 ID 信息加工成一组「候选融合视图集」。

可以把这理解为服务器预先准备了多种口味的「半成品」：

• 视图 A：侧重视觉表现
• 视图 B：侧重文本描述
• 视图 C：图文均衡
• ...

这些视图包含了高质量的内容理解，却无需消耗客户端的算力来生成。

第二层：客户端的「个性化精炼」——MoE 路由机制，实现千人千面

当这些「半成品」视图下发到用户设备（如手机）后，FedVLR 引入了一个极其轻量的本地混合专家模块。

这个路由器的作用至关重要：它利用本地私有的交互历史，动态计算出一组个性化权重。如果本地数据显示用户偏爱看图，路由器就会赋予「视觉侧重视图」更高的权重。

这一过程完全在本地发生，确保了用户的偏好数据从未离开设备。

工程优势：即插即用的「增强包」

FedVLR 的设计哲学不仅仅是提出一个新模型，更是提供一种通用的增强方案。

它被设计为一个可插拔的层，具有极高的工程落地价值：

1. 模型无关性： 它可以无缝挂载到 FedAvg、FedNCF 等任何主流的基于 ID 的联邦推荐框架上。
2. 零通信增量： 通信过程中传输的依然是梯度或小模型参数，并未增加额外的带宽负担。
3. 隐私无损： 严格遵循联邦学习协议，个性化参数与原始数据均保留在本地。
4. 低端侧开销： 复杂的 CLIP 编码在云端完成，端侧仅需运行轻量级的 MLP 路由网络。

实验验证：稀疏数据下的「逆袭」

研究团队在电商、多媒体等多个领域的公开数据集上进行了严苛的测试。

实验结果表明：

• 全面提升： 无论基线模型如何，挂载 FedVLR 后，NDCG 和 HR 等核心推荐指标均实现了显著且稳定的提升。
• 冷启动友好： 一个令人兴奋的发现是，在数据稀疏的场景下，FedVLR 的性能提升尤为惊人。这证明了通过个性化融合策略，模型能更有效地利用有限的本地数据来理解物品内容，甚至在部分指标上逼近了中心化训练的效果。

总结

FedVLR 的价值不仅限于推荐系统本身，它更为联邦基础模型的落地提供了一种极具启发性的范式。

在端侧算力受限、而云端大模型能力日益增强的背景下，如何在不传输原始数据的前提下，让边缘设备低成本地享受到大模型的通用知识，是业界亟待解决的难题。

FedVLR 实际上展示了一种「云端大模型编码 + 端侧微调适配」的高效协同路径。它证明了我们无需在每个终端都部署庞大的多模态模型，只需通过精巧的架构设计，将云端的通用内容理解能力与端侧的私有偏好解耦。

这种思路极大地降低了联邦学习的通信与计算门槛，为未来将更复杂的视觉 - 语言模型甚至生成式 AI 引入隐私敏感场景铺平了道路，是构建下一代「既懂内容、又懂用户、且严守隐私边界」的智能系统的关键一步。

目前，该论文代码已开源，欢迎社区关注与试用。

作者介绍

李志伟，悉尼科技大学博士生，研究方向为联邦推荐系统。

龙国栋、江静，悉尼科技大学副教授，专注于联邦学习。

张成奇，香港理工大学深圳研究院院长，在数据挖掘、人工智能理论与应用方面具有广泛影响力。

杨强，香港理工大学人工智能高等研究院院长、国际人工智能领域领军人物，提出迁移学习与联邦学习多项奠基性成果。