論文の概要: $C^3DRec$: Cloud-Client Cooperative Deep Learning for Temporal
Recommendation in the Post-GDPR Era
- arxiv url: http://arxiv.org/abs/2101.05641v1
- Date: Wed, 13 Jan 2021 12:49:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 07:48:04.450400
- Title: $C^3DRec$: Cloud-Client Cooperative Deep Learning for Temporal
Recommendation in the Post-GDPR Era
- Title（参考訳）: C^3DRec$:GDPR後における時間勧告のためのクラウドクライアント協調ディープラーニング
- Authors: Jialiang Han, Yun Ma
- Abstract要約: 本論文では,ユーザプライバシを保ちながら,対話行動をマイニングするクラウドクライアントの協調深層学習フレームワークを提案する。
C3DRec$は最低のプライバシーの心配との同等の推薦の正確さを達成します。
- 参考スコア（独自算出の注目度）: 0.9442139459221784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile devices enable users to retrieve information at any time and any
place. Considering the occasional requirements and fragmentation usage pattern
of mobile users, temporal recommendation techniques are proposed to improve the
efficiency of information retrieval on mobile devices by means of accurately
recommending items via learning temporal interests with short-term user
interaction behaviors. However, the enforcement of privacy-preserving laws and
regulations, such as GDPR, may overshadow the successful practice of temporal
recommendation. The reason is that state-of-the-art recommendation systems
require to gather and process the user data in centralized servers but the
interaction behaviors data used for temporal recommendation are usually
non-transactional data that are not allowed to gather without the explicit
permission of users according to GDPR. As a result, if users do not permit
services to gather their interaction behaviors data, the temporal
recommendation fails to work. To realize the temporal recommendation in the
post-GDPR era, this paper proposes $C^3DRec$, a cloud-client cooperative deep
learning framework of mining interaction behaviors for recommendation while
preserving user privacy. $C^3DRec$ constructs a global recommendation model on
centralized servers using data collected before GDPR and fine-tunes the model
directly on individual local devices using data collected after GDPR. We design
two modes to accomplish the recommendation, i.e. pull mode where candidate
items are pulled down onto the devices and fed into the local model to get
recommended items, and push mode where the output of the local model is pushed
onto the server and combined with candidate items to get recommended ones.
Evaluation results show that $C^3DRec$ achieves comparable recommendation
accuracy to the centralized approaches, with minimal privacy concern.
- Abstract（参考訳）: モバイル機器により、ユーザーはいつでもどこでも情報を検索できる。
モバイルユーザの時折要求とフラグメンテーション利用パターンを考慮して,短期的ユーザインタラクション行動を伴う時間的関心を学習することで,モバイルデバイス上での情報検索の効率を向上させるための時間的推奨手法を提案する。
しかし、GDPRのようなプライバシー保護法や規制の施行は、時間的勧告の成功を覆す可能性がある。
なぜなら、最先端のレコメンデーションシステムは、中央集権的なサーバでユーザーデータを収集して処理する必要があるが、時間的レコメンデーションに使用されるインタラクションの行動データは、GDPRに従ってユーザの明確な許可なしには収集できない非トランザクショナルデータである。
結果として、サービスが対話行動データを集めることを許可していない場合、時間的推奨は機能しない。
本稿では,GDPR後における時間的推奨を実現するために,ユーザのプライバシを保護しつつ,推奨事項のマイニングを行うクラウド型協調型ディープラーニングフレームワークであるC^3DRec$を提案する。
C^3DRec$は、GDPRの前に収集されたデータを使用して集中サーバ上のグローバルレコメンデーションモデルを構築し、GDPR後に収集されたデータを使用して、個々のローカルデバイス上でモデルを微調整する。
私たちは推奨を達成するために2つのモードを設計します。
プルモード – 候補項目をデバイスにプルダウンしてローカルモデルに入力して推奨項目を取得する,プルモード,ローカルモデルの出力をサーバにプッシュして,候補項目と組み合わせて推奨項目を取得する,プッシュモード。
評価の結果、$C^3DRec$は、プライバシーの懸念を最小限に抑えながら、集中型アプローチに匹敵するレコメンデーション精度を達成している。
関連論文リスト
- PDC-FRS: Privacy-preserving Data Contribution for Federated Recommender System [15.589541738576528]
フェデレートされたレコメンデーションシステム(FedRecs)は、デバイス上のレコメンデーションにおいてユーザのプライバシを保護するために人気のある研究方向として登場した。
FedRecsでは、ユーザーはデータをローカルに保持し、モデルパラメータを中央サーバにアップロードすることで、ローカルのコラボレーティブな情報のみをコントリビュートする。
本稿では,新しいフェデレーション・レコメンデーション・フレームワークであるPDC-FRSを提案する。具体的には,ユーザが異なるプライバシ保証でデータを共有できるように,プライバシ保護データコントリビューション機構を設計する。
論文 参考訳（メタデータ） (2024-09-12T06:13:07Z) - 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) - 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) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳（メタデータ） (2022-10-22T17:29:34Z) - PEPPER: Empowering User-Centric Recommender Systems over Gossip Learning [0.0]
PEPPERは、ゴシップ学習原則に基づく分散型レコメンデーションシステムである。
私たちのソリューションは、他の分散ソリューションよりも最大42%高速に収束します。
論文 参考訳（メタデータ） (2022-08-09T14:51:27Z) - 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) - Decentralized Collaborative Learning Framework for Next POI
Recommendation [39.65626819903099]
Next Point-of-Interest (POI)レコメンデーションは位置情報ベースのソーシャルネットワーク(LBSN)において必須の機能となっている。
正確なレコメンデーションには、膨大な量の履歴チェックインデータが必要であるため、位置情報に敏感なデータをクラウドサーバで処理する必要があるため、ユーザのプライバシを脅かすことになる。
本稿では,POIレコメンデーション(DCLR)のための分散協調学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-30T11:00:11Z) - FedPOIRec: Privacy Preserving Federated POI Recommendation with Social
Influence [0.0]
我々は,プライバシー保護のためのフェデレーション学習アプローチであるFedPOIRecを紹介した。
まず、FedPOIRecフレームワークは、ローカルデータが所有者のデバイスを離れることはないという原則に基づいて構築され、ローカル更新はパラメータサーバによって盲目的に集約される。
我々は、CKKSの完全同型暗号方式の特性を利用して、フェデレーション後のユーザの友人の好みを統合するためのプライバシー保護プロトコルを提案する。
論文 参考訳（メタデータ） (2021-12-21T12:11:39Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳（メタデータ） (2021-10-18T08:11:24Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳（メタデータ） (2020-05-23T08:56:37Z) - Practical Privacy Preserving POI Recommendation [26.096197310800328]
本稿では,プライバシ保護のためのPOI勧告(PriRec)フレームワークを提案する。
PriRecは、ユーザのプライベートな生データとモデルを自身の手で保持し、ユーザのプライバシを広範囲に保護する。
実世界のデータセットにPriRecを適用し、包括的な実験により、FMと比較すると、PriRecは同等またはそれ以上のレコメンデーション精度を達成した。
論文 参考訳（メタデータ） (2020-03-05T06:06:40Z)
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。