論文の概要: A Federated Multi-View Deep Learning Framework for Privacy-Preserving
Recommendations
- arxiv url: http://arxiv.org/abs/2008.10808v1
- Date: Tue, 25 Aug 2020 04:19:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 04:18:41.248546
- Title: A Federated Multi-View Deep Learning Framework for Privacy-Preserving
Recommendations
- Title（参考訳）: プライバシー保護勧告のための多視点深層学習フレームワーク
- Authors: Mingkai Huang, Hao Li, Bing Bai, Chang Wang, Kun Bai, Fei Wang
- Abstract要約: プライバシー保護の勧告は、ユーザーのプライバシーとデータセキュリティに対する懸念から、勢いを増している。
FedRecアルゴリズムは、パーソナライズされたプライバシー保護レコメンデーションを実現するために提案されている。
本稿では,汎用コンテンツベースフェデレーション型マルチビューレコメンデーションフレームワークFLMV-DSSMを提案する。
- 参考スコア（独自算出の注目度）: 25.484225182093947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Privacy-preserving recommendations are recently gaining momentum, since the
decentralized user data is increasingly harder to collect, by recommendation
service providers, due to the serious concerns over user privacy and data
security. This situation is further exacerbated by the strict government
regulations such as Europe's General Data Privacy Regulations(GDPR). Federated
Learning(FL) is a newly developed privacy-preserving machine learning paradigm
to bridge data repositories without compromising data security and privacy.
Thus many federated recommendation(FedRec) algorithms have been proposed to
realize personalized privacy-preserving recommendations. However, existing
FedRec algorithms, mostly extended from traditional collaborative filtering(CF)
method, cannot address cold-start problem well. In addition, their performance
overhead w.r.t. model accuracy, trained in a federated setting, is often
non-negligible comparing to centralized recommendations. This paper studies
this issue and presents FL-MV-DSSM, a generic content-based federated
multi-view recommendation framework that not only addresses the cold-start
problem, but also significantly boosts the recommendation performance by
learning a federated model from multiple data source for capturing richer
user-level features. The new federated multi-view setting, proposed by
FL-MV-DSSM, opens new usage models and brings in new security challenges to FL
in recommendation scenarios. We prove the security guarantees of \xxx, and
empirical evaluations on FL-MV-DSSM and its variations with public datasets
demonstrate its effectiveness. Our codes will be released if this paper is
accepted.
- Abstract（参考訳）: ユーザプライバシとデータセキュリティに対する深刻な懸念から、レコメンデーションサービスプロバイダによって、分散化されたユーザデータの収集がますます困難になっているため、プライバシ保護のレコメンデーションは最近勢いを増している。
この状況はさらに欧州一般データプライバシー規則(gdpr)のような厳格な政府規制によって悪化している。
Federated Learning(FL)は、データセキュリティとプライバシを損なうことなく、データリポジトリをブリッジする、新たに開発されたプライバシ保護機械学習パラダイムである。
したがって、パーソナライズされたプライバシ保護レコメンデーションを実現するために、多くのフェデレーションレコメンデーション(FedRec)アルゴリズムが提案されている。
しかし、従来のコラボレーティブフィルタリング(cf)法から拡張された既存のfeedrecアルゴリズムは、コールドスタート問題にうまく対処できない。
さらに、フェデレーション設定でトレーニングされたw.r.t.モデル精度は、集中型レコメンデーションと比較して無視できないことが多い。
本稿では,この問題を解決するために,複数のデータソースからフェデレーションモデルを学習し,よりリッチなユーザレベルの機能を取り込むことにより,そのレコメンデーション性能を大幅に向上させる汎用的なコンテンツベースフェデレーションマルチビューレコメンデーションフレームワークfl-mv-dssmを提案する。
fl-mv-dssmによって提案された新しいフェデレーションマルチビュー設定は、新しい利用モデルを開き、レコメンデーションシナリオにおいてflに新しいセキュリティ課題をもたらす。
我々は、 \xxx のセキュリティ保証を証明し、fl-mv-dssm とその公開データセットとのバリエーションについて実証的な評価を行い、その効果を示す。
この論文が受け入れられれば、私たちのコードは公開されます。
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) - PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System [42.79538136366075]
本稿では,パラメータを含まないフェデレーション・シーケンシャル・レコメンデーション・フレームワーク(PTF-FSR)を提案する。
PTF-FSRは、サービスプロバイダやシステムユーザのプライバシニーズを満たすために、モデルとデータのプライバシ保護の両方を保証する。
論文 参考訳（メタデータ） (2024-06-08T07:45:46Z) - User Consented Federated Recommender System Against Personalized
Attribute Inference Attack [55.24441467292359]
本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。
UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
論文 参考訳（メタデータ） (2023-12-23T09:44:57Z) - Federated Learning Empowered by Generative Content [55.576885852501775]
フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。
本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。
我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
論文 参考訳（メタデータ） (2023-12-10T07:38:56Z) - A Survey of Federated Unlearning: A Taxonomy, Challenges and Future
Directions [71.16718184611673]
プライバシ保護のためのフェデレートラーニング(FL)の進化により、忘れられる権利を実装する必要性が高まっている。
選択的な忘れ方の実装は、その分散した性質のため、FLでは特に困難である。
Federated Unlearning(FU)は、データプライバシの必要性の増加に対応する戦略的ソリューションとして登場した。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z) - A Privacy Preserving System for Movie Recommendations Using Federated Learning [12.751432553199628]
本稿では,映画レコメンデーションのためのレコメンデーションシステムを提案する。
フェデレートされた学習を用いてトレーニングされるため、その性質上、プライバシ保護が重要である。
FedQと呼ばれる新しいフェデレーション学習スキームが採用され、非i.d.nessと小さなローカルデータセットの問題に対処する。
論文 参考訳（メタデータ） (2023-03-07T17:22:38Z) - 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) - Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。
FLと関連する技術は、しばしばプライバシー保護と表現される。
この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
論文 参考訳（メタデータ） (2021-12-21T08:44:05Z) - Local Learning Matters: Rethinking Data Heterogeneity in Federated
Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文 参考訳（メタデータ） (2021-11-28T19:03:39Z) - Federated Neural Collaborative Filtering [0.0]
我々は、アイテムレコメンデーションのための最先端のニューラルコラボレーティブ・フィルタリング(NCF)アプローチのフェデレーション版を提案する。
FedNCFと名付けられたこのシステムは、ユーザが生データを公開したり送信したりすることなく、学習ができる。
FLの協調フィルタリング(CF)タスクにおける特殊性について検討するとともに,計算コストの観点からプライバシ保護機構の評価を行った。
論文 参考訳（メタデータ） (2021-06-02T21:05:41Z)
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。