論文の概要: Meta Matrix Factorization for Federated Rating Predictions

• arxiv url: http://arxiv.org/abs/1910.10086v4
• Date: Sat, 4 Mar 2023 05:49:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 04:12:20.134570
• Title: Meta Matrix Factorization for Federated Rating Predictions
• Title（参考訳）: フェデレートレーティング予測のためのメタマトリックス因子化
• Authors: Yujie Lin, Pengjie Ren, Zhumin Chen, Zhaochun Ren, Dongxiao Yu, Jun Ma, Maarten de Rijke, Xiuzhen Cheng
• Abstract要約: フェデレートされたレコメンデーターシステムは、従来のレコメンデーターシステムよりもプライバシー保護という点で明確なアドバンテージを持っている。 フェデレートされたレコメンデータシステムに関するこれまでの研究は、モバイル環境におけるストレージ、RAM、エネルギ、通信帯域の制限を十分に考慮していない。 本研究の目的は,モバイル環境を対象としたレーティング予測(RP)のための新しい統合学習フレームワークを設計することである。
• 参考スコア（独自算出の注目度）: 84.69112252208468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated recommender systems have distinct advantages in terms of privacy protection over traditional recommender systems that are centralized at a data center. However, previous work on federated recommender systems does not fully consider the limitations of storage, RAM, energy and communication bandwidth in a mobile environment. The scales of the models proposed are too large to be easily run on mobile devices. And existing federated recommender systems need to fine-tune recommendation models on each device, making it hard to effectively exploit collaborative filtering information among users/devices. Our goal in this paper is to design a novel federated learning framework for rating prediction (RP) for mobile environments. We introduce a federated matrix factorization (MF) framework, named meta matrix factorization (MetaMF). Given a user, we first obtain a collaborative vector by collecting useful information with a collaborative memory module. Then, we employ a meta recommender module to generate private item embeddings and a RP model based on the collaborative vector in the server. To address the challenge of generating a large number of high-dimensional item embeddings, we devise a rise-dimensional generation strategy that first generates a low-dimensional item embedding matrix and a rise-dimensional matrix, and then multiply them to obtain high-dimensional embeddings. We use the generated model to produce private RPs for the given user on her device. MetaMF shows a high capacity even with a small RP model, which can adapt to the limitations of a mobile environment. We conduct extensive experiments on four benchmark datasets to compare MetaMF with existing MF methods and find that MetaMF can achieve competitive performance. Moreover, we find MetaMF achieves higher RP performance over existing federated methods by better exploiting collaborative filtering among users/devices.
• Abstract（参考訳）: 連合型レコメンダシステムは、データセンターに集中する従来のレコメンダシステムに対して、プライバシ保護の観点から異なるアドバンテージを持つ。 しかし、これまでのフェデレーションレコメンデータシステムの研究は、モバイル環境におけるストレージ、RAM、エネルギ、通信帯域の制限を十分に考慮していない。 提案されたモデルのスケールは、モバイルデバイスで簡単に動作させるには大きすぎる。 また、既存のフェデレーションレコメンデータシステムは、各デバイス上でレコメンデーションモデルを微調整する必要があるため、ユーザ/デバイス間の協調フィルタリング情報を効果的に活用することは困難である。 本稿では,モバイル環境におけるレーティング予測(rp)のための新しい連合学習フレームワークを設計することを目的とする。 メタマトリックス因子化(MetaMF)と呼ばれる,連合行列因子化(MF)フレームワークを導入する。 ユーザが与えられた場合、まず、協調記憶モジュールを用いて有用な情報を収集して協調ベクトルを得る。 次に、メタリコメンダモジュールを使用して、プライベートなアイテム埋め込みを生成し、サーバ内の協調ベクターに基づいてrpモデルを生成する。 多数の高次元項目埋め込みを生成する課題に対処するため,まず低次元項目埋め込み行列と高次元行列を生成し,それを乗算して高次元埋め込みを得る高次元生成戦略を考案する。 生成したモデルを使用して、デバイス上のユーザのプライベートRPを生成します。 MetaMFは、小さなRPモデルでも高いキャパシティを示し、モバイル環境の制限に適応できる。 そこで我々は,MetaMFと既存のMF手法を比較し,MetaMFが競争性能を発揮できることを示す。 さらに,MetaMFは,ユーザ/デバイス間の協調フィルタリングをよりよく活用することにより,既存のフェデレーションメソッドよりも高いRP性能を実現する。

関連論文リスト

• Read-ME: Refactorizing LLMs as Router-Decoupled Mixture of Experts with System Co-Design [59.00758127310582]
  本稿では、事前学習された高密度LCMをより小さなMoEモデルに変換する新しいフレームワークRead-MEを提案する。 当社のアプローチでは,専門家の抽出にアクティベーション空間を用いる。 Read-MEは、同様のスケールの他の人気のあるオープンソース高密度モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-10-24T19:48:51Z)
• Personalized Item Representations in Federated Multimodal Recommendation [37.52127488593226]
  FedMRと呼ばれるFederated Multimodal Recommendation Systemは、マルチモーダルアイテムデータをエンコードする。 FedMRは既存のIDベースのフェデレーションレコメンデーションシステムと互換性がある。 4つの実世界のマルチモーダルデータセットの実験は、FedMRの有効性を示している。
  論文  参考訳（メタデータ） (2024-10-11T03:10:09Z)
• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T07:44:48Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。 提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• (Amplified) Banded Matrix Factorization: A unified approach to private training [15.922315074913255]
  差分プライバシ(DP)のための行列分解(MF)機構は、MLアプリケーションにおけるプライバシ・ユーティリティ・コンピューティングトレードオフの最先端性を大幅に改善した。 フェデレーションおよび集中型トレーニング設定の両方において、MFが先行技術アルゴリズムをサブスクライブする方法を示す。
  論文  参考訳（メタデータ） (2023-06-13T21:53:17Z)
• PrivMVMF: Privacy-Preserving Multi-View Matrix Factorization for Recommender Systems [0.190365714903665]
  我々は、同型暗号化に基づく新しいプライバシ保存フレームワーク、プライバシ保存多視点行列分解(PrivMVMF)を提案する。 PrivMVMFはMovieLensデータセットでうまく実装され、徹底的にテストされている。
  論文  参考訳（メタデータ） (2022-09-29T03:21:24Z)
• FedMix: Approximation of Mixup under Mean Augmented Federated Learning [60.503258658382]
  フェデレートラーニング(FL)は、エッジデバイスが各デバイス内でデータを直接共有することなく、モデルを集合的に学習することを可能にする。 現在の最先端アルゴリズムは、クライアント間のローカルデータの均一性が増大するにつれて性能劣化に悩まされる。 我々はFedMixという名の新しい拡張アルゴリズムを提案し、これは驚くべきが単純なデータ拡張手法であるMixupにインスパイアされている。
  論文  参考訳（メタデータ） (2021-07-01T06:14:51Z)
• FedNS: Improving Federated Learning for collaborative image classification on mobile clients [22.980223900446997]
  Federated Learning(FL)は、グローバルモデルを学ぶために疎結合のクライアントをサポートすることを目的としたパラダイムです。 本稿では、fl設定におけるサーバのグローバルモデル集約のためのフェデレーションノード選択(fedns)と呼ばれる新しい手法を提案する。 我々は、FedNSがFedAvgよりも一貫してパフォーマンスを向上させることができる複数のデータセットとネットワークからの実験で示します。
  論文  参考訳（メタデータ） (2021-01-20T06:45:46Z)
• Evaluation Framework For Large-scale Federated Learning [10.127616622630514]
  フェデレーテッド・ラーニングは、携帯電話などの分散型エッジデバイスが協調して共有予測モデルを学習できるようにするための機械学習環境として提案されている。 本稿では,データセットとモジュール型評価フレームワークを生成するためのアプローチからなる,大規模フェデレーション学習のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-03T15:12:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。