論文の概要: FedeRank: User Controlled Feedback with Federated Recommender Systems

• arxiv url: http://arxiv.org/abs/2012.11328v3
• Date: Wed, 20 Jan 2021 10:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 07:27:16.830330
• Title: FedeRank: User Controlled Feedback with Federated Recommender Systems
• Title（参考訳）: FedeRank:Federated Recommenderシステムによるユーザコントロールされたフィードバック
• Authors: Vito Walter Anelli, Yashar Deldjoo, Tommaso Di Noia, Antonio Ferrara, Fedelucio Narducci
• Abstract要約: データプライバシーは、デジタル時代の最も顕著な懸念の1つです。 我々はプライバシ保護の分散機械学習パラダイムであるFedeRankを紹介する。 また,FedeRankの有効性を,共有ユーザデータのごく一部であっても,推薦精度の観点から示す。
• 参考スコア（独自算出の注目度）: 4.474834288759608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems have shown to be a successful representative of how data availability can ease our everyday digital life. However, data privacy is one of the most prominent concerns in the digital era. After several data breaches and privacy scandals, the users are now worried about sharing their data. In the last decade, Federated Learning has emerged as a new privacy-preserving distributed machine learning paradigm. It works by processing data on the user device without collecting data in a central repository. We present FedeRank (https://split.to/federank), a federated recommendation algorithm. The system learns a personal factorization model onto every device. The training of the model is a synchronous process between the central server and the federated clients. FedeRank takes care of computing recommendations in a distributed fashion and allows users to control the portion of data they want to share. By comparing with state-of-the-art algorithms, extensive experiments show the effectiveness of FedeRank in terms of recommendation accuracy, even with a small portion of shared user data. Further analysis of the recommendation lists' diversity and novelty guarantees the suitability of the algorithm in real production environments.
• Abstract（参考訳）: レコメンダシステムは、データの可用性が日々のデジタル生活をいかに楽にするかを示すものとして成功している。 しかし、データプライバシはデジタル時代の最も顕著な懸念の1つだ。 いくつかのデータ漏洩とプライバシースキャンダルの後、ユーザーは自分のデータを共有することを心配している。 過去10年間、連合学習は新しいプライバシー保護型分散機械学習パラダイムとして登場してきた。 中央リポジトリにデータを集めることなく、ユーザデバイス上でデータを処理します。 We present FedeRank (https://split.to/federank), a federated recommendation algorithm。 システムは、各デバイスに個人的要因モデルを学習する。 モデルのトレーニングは、中央サーバとフェデレーションされたクライアント間の同期プロセスである。 FedeRankは、分散的な方法でコンピューティングレコメンデーションを処理し、ユーザが共有したいデータの一部をコントロールできるようにする。 最先端アルゴリズムとの比較により,共有ユーザデータのごく一部であっても,federrankの有効性を推薦精度の観点から検証した。 推薦リストの多様性と新規性のさらなる分析は、実際の生産環境におけるアルゴリズムの適合性を保証する。

関連論文リスト

• Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
  ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。 従来の偽造検出手法は、データを直接集中的に訓練する。 本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
  論文  参考訳（メタデータ） (2024-06-17T02:20:30Z)
• A Novel Neural Network-Based Federated Learning System for Imbalanced and Non-IID Data [2.9642661320713555]
  ほとんどの機械学習アルゴリズムは、様々なソースから収集される大量のデータに大きく依存している。 この問題に対処するため、研究者らはフェデレーション学習を導入し、クライアントデータのプライバシーを確保することによって予測モデルを学習した。 本研究では,ニューラルネットワークに基づくフェデレーション学習システムを提案する。
  論文  参考訳（メタデータ） (2023-11-16T17:14:07Z)
• 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)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• FedCL: Federated Contrastive Learning for Privacy-Preserving Recommendation [98.5705258907774]
  FedCLは、プライバシーを十分に保護した効果的なモデルトレーニングのために、高品質な負のサンプルを利用することができる。 まず、各クライアントのローカルモデルを介してローカルユーザデータからユーザ埋め込みを推測し、その後、ローカルディファレンシャルプライバシ(LDP)で摂動する。 個々のユーザ埋め込みにはLDPによる重騒音が伴うため,ノイズの影響を軽減するため,サーバ上にユーザ埋め込みをクラスタ化することを提案する。
  論文  参考訳（メタデータ） (2022-04-21T02:37:10Z)
• Recommendation Unlearning [27.99369346343332]
  RecEraserは、リコメンデーションタスクに適した汎用的で効率的な機械学習フレームワークである。 まず3つの新しいデータ分割アルゴリズムを設計し、その類似性に基づいてトレーニングデータをバランスの取れたグループに分割する。 3つの公開ベンチマークによる実験結果から、RecEraserは効率的な未学習を達成できるだけでなく、モデルユーティリティの観点から最先端の未学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-18T08:43:34Z)
• Collaborative Unsupervised Visual Representation Learning from Decentralized Data [34.06624704343615]
  我々は、新しいフェデレーション付き教師なし学習フレームワーク、FedUを提案する。 このフレームワークでは、オンラインネットワークとターゲットネットワークとの対比学習を用いて、各パーティが、ラベルのないデータから独立してモデルをトレーニングする。 FedUはデータのプライバシを保護している。
  論文  参考訳（メタデータ） (2021-08-14T08:34:11Z)
• Differentially Private Secure Multi-Party Computation for Federated Learning in Financial Applications [5.50791468454604]
  フェデレートラーニングにより、信頼されたサーバで作業する多くのクライアントが、共有機械学習モデルを共同で学習することが可能になる。 これにより機密データを露出するリスクが軽減されるが、通信されたモデルパラメータからクライアントのプライベートデータセットに関する情報をリバースすることが可能になる。 筆者らは,非専門的な聴衆にプライバシ保存型フェデレーション学習プロトコルを提示し,実世界のクレジットカード詐欺データセットにロジスティック回帰を用いてそれを実証し,オープンソースシミュレーションプラットフォームを用いて評価する。
  論文  参考訳（メタデータ） (2020-10-12T17:16:27Z)
• WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
  データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。 本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
  論文  参考訳（メタデータ） (2020-08-13T04:26:31Z)
• 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)

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。