NeurIPS（The Conference on Neural Information Processing Systems）是人工智能和机器学习领域的顶级国际会议，在中国计算机学会（CCF）推荐论文列表中为A类国际学术会议。本届NeurIPS Main Track共收到有效投稿30709篇，接收7900篇（占比25.7%），其中7496篇，Spotlight 292篇，Oral 112篇。

论文题目：AdaSRU: Adaptive Source-Free Recommendation Unlearning via Gradient-Constrained Optimization

第一作者：赵筱然（2025级博士研究生）

收录会议：The Fortieth Annual Conference on Neural Information Processing Systems（NeurIPS 2026，CCF A，Oral）

指导老师：齐连永

论文概述：推荐遗忘旨在从已训练的推荐模型中移除指定用户-项目交互的影响，同时保持模型在剩余数据上的推荐效用。现有推荐遗忘方法通常需要访问原始训练数据，尤其是剩余数据，以在遗忘后恢复推荐性能。然而，在实际应用中，由于隐私限制、存储成本或第三方部署等原因，这些数据往往受到访问限制甚至不可获取，由此产生了无源推荐遗忘问题。为了解决这一挑战，本文提出一种自适应无源推荐遗忘方法（AdaSRU），在无需访问原始剩余数据的情况下实现有效遗忘。首先，AdaSRU对不可访问的剩余数据梯度进行估计。该方法利用已训练推荐模型的一阶最优性条件，并结合遗忘数据以及Adam等自适应优化器保存的平方梯度累积量，对剩余数据梯度进行近似。随后，AdaSRU将遗忘过程建模为一种梯度约束更新，利用估计得到的剩余数据梯度作为约束，在最大化遗忘目标的同时限制推荐效用的下降。进一步地，AdaSRU根据当前梯度的几何关系，自适应调整用于保持推荐效用的校正项。实验结果表明，AdaSRU在多个真实数据集上均取得了较强的遗忘效果和推荐性能。