論文の概要: A Novel Privacy-Preserved Recommender System Framework based on Federated Learning

• arxiv url: http://arxiv.org/abs/2011.05614v1
• Date: Wed, 11 Nov 2020 08:07:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 01:01:55.962338
• Title: A Novel Privacy-Preserved Recommender System Framework based on Federated Learning
• Title（参考訳）: フェデレーション学習に基づく新しいプライバシ保護型レコメンダシステムフレームワーク
• Authors: Jiangcheng Qin, Baisong Liu
• Abstract要約: 本稿では,プライバシ保護型リコメンデータシステムフレームワーク(PPRSF)を提案する。 PPRSFは、プライバシー漏洩のリスクを減らすだけでなく、法と規制の要件を満たすだけでなく、さまざまな推奨アルゴリズムの適用を可能にしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender System (RS) is currently an effective way to solve information overload. To meet users' next click behavior, RS needs to collect users' personal information and behavior to achieve a comprehensive and profound user preference perception. However, these centrally collected data are privacy-sensitive, and any leakage may cause severe problems to both users and service providers. This paper proposed a novel privacy-preserved recommender system framework (PPRSF), through the application of federated learning paradigm, to enable the recommendation algorithm to be trained and carry out inference without centrally collecting users' private data. The PPRSF not only able to reduces the privacy leakage risk, satisfies legal and regulatory requirements but also allows various recommendation algorithms to be applied.
• Abstract（参考訳）: Recommender System (RS) は現在、情報過負荷を解決する効果的な方法である。 ユーザの次のクリック行動を満たすためには,ユーザの個人情報や行動を収集し,包括的で深いユーザの嗜好認識を実現する必要がある。 しかし、これらの集中的に収集されたデータはプライバシーに敏感であり、漏洩はユーザーとサービスプロバイダー双方に深刻な問題を引き起こす可能性がある。 本稿では,ユーザのプライベートデータを集中的に収集することなく,推薦アルゴリズムのトレーニングと推論を可能にするために,フェデレーション学習パラダイムの適用を通じて,新たなプライバシ保護型レコメンデータシステムフレームワーク(PPRSF)を提案する。 pprsfは、プライバシー漏洩リスクを低減できるだけでなく、法的および規制上の要件を満たすだけでなく、様々な推奨アルゴリズムを適用することができる。

関連論文リスト

• 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)
• Privacy-Preserving Matrix Factorization for Recommendation Systems using Gaussian Mechanism [2.84279467589473]
  本稿では,差分プライバシーフレームワークと行列因数分解に基づくプライバシ保護レコメンデーションシステムを提案する。 差分プライバシーは、プライバシを保存する機械学習アルゴリズムを設計するための強力で堅牢な数学的フレームワークであるため、敵が機密性の高いユーザー情報を抽出するのを防ぐことができる。
  論文  参考訳（メタデータ） (2023-04-11T13:50:39Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• 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)
• Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
  デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。 提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
  論文  参考訳（メタデータ） (2023-02-10T03:57:45Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
  対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。 KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。 最終的には、正確な推奨は会話の順番を少なくして生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:58:10Z)
• Stronger Privacy for Federated Collaborative Filtering with Implicit Feedback [13.37601438005323]
  ユーザレベルの局所差分プライバシー (LDP) 下での暗黙のデータに対する実用的なフェデレーションレコメンダーシステムを提案する。 プライバシとユーティリティのトレードオフはパラメータ$epsilon$と$k$で制御され、更新毎のプライバシー予算と、各ユーザが送信する$epsilon$-LDPグラデーションの更新数を規制する。 5k項目の50kユーザに対して,K=10(HR@10)0.68でHit Ratioを達成し,MovieLensデータセット上でフレームワークの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2021-05-09T13:41:45Z)
• A Federated Multi-View Deep Learning Framework for Privacy-Preserving Recommendations [25.484225182093947]
  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。
  論文  参考訳（メタデータ） (2020-08-25T04:19:40Z)

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。