論文の概要: Privacy Preserving Point-of-interest Recommendation Using Decentralized Matrix Factorization

• arxiv url: http://arxiv.org/abs/2003.05610v1
• Date: Thu, 12 Mar 2020 04:08:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 13:11:00.168643
• Title: Privacy Preserving Point-of-interest Recommendation Using Decentralized Matrix Factorization
• Title（参考訳）: 分散行列因子化を用いたプライバシー保護的関心点推薦
• Authors: Chaochao Chen, Ziqi Liu, Peilin Zhao, Jun Zhou, Xiaolong Li
• Abstract要約: POIレコメンデーションのための分散MF(DMF)フレームワークを提案する。 具体的には,携帯電話やPadなど,各ユーザの端末上でMFモデルをトレーニングするためのランダムウォークに基づく分散型トレーニング手法を提案する。 これにより、各ユーザのレーティングは自分自身の手で維持され、さらに分散学習はマルチラーナーによる分散学習とみなすことができる。
• 参考スコア（独自算出の注目度）: 39.47675439197051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Points of interest (POI) recommendation has been drawn much attention recently due to the increasing popularity of location-based networks, e.g., Foursquare and Yelp. Among the existing approaches to POI recommendation, Matrix Factorization (MF) based techniques have proven to be effective. However, existing MF approaches suffer from two major problems: (1) Expensive computations and storages due to the centralized model training mechanism: the centralized learners have to maintain the whole user-item rating matrix, and potentially huge low rank matrices. (2) Privacy issues: the users' preferences are at risk of leaking to malicious attackers via the centralized learner. To solve these, we present a Decentralized MF (DMF) framework for POI recommendation. Specifically, instead of maintaining all the low rank matrices and sensitive rating data for training, we propose a random walk based decentralized training technique to train MF models on each user's end, e.g., cell phone and Pad. By doing so, the ratings of each user are still kept on one's own hand, and moreover, decentralized learning can be taken as distributed learning with multi-learners (users), and thus alleviates the computation and storage issue. Experimental results on two real-world datasets demonstrate that, comparing with the classic and state-of-the-art latent factor models, DMF significantly improvements the recommendation performance in terms of precision and recall.
• Abstract（参考訳）: POSI(Points of interest)勧告は、FoursquareやYelpといった位置情報ベースのネットワークの普及により、最近注目を集めている。 POIレコメンデーションへの既存のアプローチの中で、マトリックス因子化(MF)ベースの手法が有効であることが証明されている。 しかし,既存のMFアプローチは,1)集中型モデル学習機構による計算量と記憶量の増加,2)ユーザ・イテム評価行列全体の維持,および潜在的に巨大な低ランク行列の維持,の2つの大きな問題に悩まされている。 2)プライバシの問題: ユーザの好みは,集中学習者を通じて悪意ある攻撃者に漏洩する危険性がある。 そこで本稿では,poiレコメンデーションのための分散mf(dmf)フレームワークを提案する。 具体的には,すべての低ランク行列とセンシティブ評価データをトレーニング用に保持する代わりに,携帯電話やパッドなど各ユーザ側のmfモデルをトレーニングするためのランダムウォークベースの分散トレーニング手法を提案する。 これにより、各ユーザのレーティングは依然として自分の手で保持され、さらに、分散学習をマルチリーナー(ユーザ)による分散学習として捉えることができ、計算とストレージの問題を軽減することができる。 2つの実世界のデータセットによる実験結果から、古典的および最先端の潜在因子モデルと比較すると、DMFは精度とリコールの観点から推奨性能を大幅に改善することが示された。

関連論文リスト

• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• DMM: Distributed Matrix Mechanism for Differentially-Private Federated Learning using Packed Secret Sharing [51.336015600778396]
  フェデレーテッド・ラーニング(FL)は最近、産業とアカデミックの両方で多くの注目を集めています。 FLでは、機械学習モデルは、複数のラウンドにまたがって委員会に配置されたさまざまなエンドユーザのデータを使用して訓練される。 このようなデータは、しばしばセンシティブであるため、FLの主な課題は、モデルの実用性を維持しながらプライバシを提供することである。
  論文  参考訳（メタデータ） (2024-10-21T16:25:14Z)
• Fed-Credit: Robust Federated Learning with Credibility Management [18.349127735378048]
  Federated Learning(FL)は、分散デバイスやデータソースのモデルトレーニングを可能にする、新興の機械学習アプローチである。 我々は、Fed-Creditと呼ばれる信頼性管理手法に基づく堅牢なFLアプローチを提案する。 その結果、比較的低い計算複雑性を維持しながら、敵攻撃に対する精度とレジリエンスが向上した。
  論文  参考訳（メタデータ） (2024-05-20T03:35:13Z)
• Enabling Quartile-based Estimated-Mean Gradient Aggregation As Baseline for Federated Image Classifications [5.5099914877576985]
  Federated Learning(FL)は、機密データを保護し、モデルパフォーマンスを改善しながら、分散コラボレーションを可能にすることによって、ディープニューラルネットワークのトレーニング方法に革命をもたらした。 本稿では,これらの課題に対処するだけでなく,FLシステムにおける高度な集約技術に対して$mathsfbaseline$として基本的な参照ポイントを提供する,Estimated Mean Aggregation (EMA) という革新的なソリューションを紹介する。
  論文  参考訳（メタデータ） (2023-09-21T17:17:28Z)
• Data augmentation and refinement for recommender system: A semi-supervised approach using maximum margin matrix factorization [3.3525248693617207]
  我々は、評価予測のための最大行列因子化(MMMF)のデータ強化と改善の側面について検討する。 我々は、CFアルゴリズムの固有の特性を利用して、個人評価の信頼性レベルを評価する。 自己学習に基づく評価向上のための半教師付きアプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-22T17:17:45Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Multi-Center Federated Learning [62.57229809407692]
  本稿では,フェデレート学習のための新しい多中心集約機構を提案する。 非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。 ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-03T09:14:31Z)
• A High-Performance Implementation of Bayesian Matrix Factorization with Limited Communication [10.639704288188767]
  行列分解アルゴリズムは予測の不確実性を定量化し、過度な適合を避けることができる。 計算コストが禁じられているため、大規模なデータには広く使われていない。 スケーラビリティに対する両アプローチの最先端が組み合わさることを示します。
  論文  参考訳（メタデータ） (2020-04-06T11:16:30Z)

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。