論文の概要: Privacy-Preserving Multi-Target Multi-Domain Recommender Systems with Assisted AutoEncoders

• arxiv url: http://arxiv.org/abs/2110.13340v1
• Date: Tue, 26 Oct 2021 00:48:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 16:13:59.574712
• Title: Privacy-Preserving Multi-Target Multi-Domain Recommender Systems with Assisted AutoEncoders
• Title（参考訳）: 自動エンコーダを用いたプライバシー保護型マルチドメインレコメンダシステム
• Authors: Enmao Diao, Vahid Tarokh, Jie Ding
• Abstract要約: MTMDR(Multi-Target Multi-Domain Recommender Systems)は、複数のドメインにおけるレコメンデーション性能を同時に向上することを目的としている。 本研究では,AAE(Assisted Auto Encoders)とMulti-Target Assisted Learning(MTAL)に基づくMTMDRを提案する。 AAEは、明示的あるいは暗黙的なフィードバック、ユーザまたはアイテムベースのアライメント、およびサイド情報の有無を許可するので、幅広いアプリケーション範囲を持っています。
• 参考スコア（独自算出の注目度）: 34.24028216079336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A long-standing challenge in Recommender Systems (RCs) is the data sparsity problem that often arises when users rate very few items. Multi-Target Multi-Domain Recommender Systems (MTMDR) aim to improve the recommendation performance in multiple domains simultaneously. The existing works assume that the data of different domains can be fully shared, and the computation can be performed in a centralized manner. However, in many realistic scenarios, separate recommender systems are operated by different organizations, which do not allow the sharing of private data, models, and recommendation tasks. This work proposes an MTMDR based on Assisted AutoEncoders (AAE) and Multi-Target Assisted Learning (MTAL) to help organizational learners improve their recommendation performance simultaneously without sharing sensitive assets. Moreover, AAE has a broad application scope since it allows explicit or implicit feedback, user- or item-based alignment, and with or without side information. Extensive experiments demonstrate that our method significantly outperforms the case where each domain is locally trained, and it performs competitively with the centralized training where all data are shared. As a result, AAE can effectively integrate organizations from different domains to form a community of shared interest.
• Abstract（参考訳）: Recommender Systems(RC)における長年の課題は、ユーザがほとんどアイテムを評価しないときにしばしば発生するデータ空間の問題である。 マルチターゲットマルチドメインレコメンダシステム(MTMDR)は,複数のドメインにおけるレコメンデーション性能を同時に向上することを目的としている。 既存の作業では、異なるドメインのデータを完全に共有でき、計算を集中的に行うことができると仮定している。 しかし、多くの現実的なシナリオでは、個別のレコメンデータシステムは異なる組織によって運用され、プライベートデータ、モデル、レコメンデーションタスクの共有は許可されない。 本研究は,組織学習者がセンシティブな資産を共有することなく,同時にレコメンデーション性能を向上させるための支援型オートエンコーダ(aae)と多目的学習(mtal)に基づくmtmdrを提案する。 さらに、AAEは、明示的または暗黙的なフィードバック、ユーザまたはアイテムベースのアライメント、およびサイド情報の有無を許容するため、幅広いアプリケーション範囲を持っています。 広範な実験により,各ドメインがローカルにトレーニングされている場合を有意に上回り,全データを共有する集中型トレーニングと競合することを示した。 その結果、AAEは異なるドメインの組織を効果的に統合し、共有関心のコミュニティを形成することができる。

関連論文リスト

• Towards Personalized Federated Multi-Scenario Multi-Task Recommendation [22.095138650857436]
  PF-MSMTrecは、パーソナライズされたマルチシナリオマルチタスク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。 複数の最適化競合の独特な課題に対処するために,ボトムアップ共同学習機構を導入する。 提案手法は最先端手法より優れている。
  論文  参考訳（メタデータ） (2024-06-27T07:10:37Z)
• M3oE: Multi-Domain Multi-Task Mixture-of Experts Recommendation Framework [32.68911775382326]
  M3oEは適応型マルチドメインMulti-task Mixture-of-Expertsレコメンデーションフレームワークである。 3つのMix-of-expertsモジュールを利用して、共通、ドメイン・アスペクト、タスク・アスペクトのユーザの好みを学習します。 多様な領域やタスクをまたいだ特徴抽出と融合を正確に制御するための2レベル融合機構を設計する。
  論文  参考訳（メタデータ） (2024-04-29T06:59:30Z)
• Mixture-of-LoRAs: An Efficient Multitask Tuning for Large Language Models [7.966452497550907]
  大規模言語モデル(LLM)を用いたマルチタスク学習のためのMixture-of-LoRA(MoA)アーキテクチャを提案する。 複数のドメイン固有のLoRAモジュールは、Mixture-of-Experts(MoE)で観察される専門家設計原則と一致させることができる。 各LoRAモデルは、新しいドメインに反復的に適応することができ、素早くドメイン固有の適応を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T03:33:48Z)
• Adapting Self-Supervised Representations to Multi-Domain Setups [47.03992469282679]
  現在の最先端の自己教師型アプローチは、個々のドメインで訓練するときに有効であるが、目に見えないドメインでは限定的な一般化を示す。 本稿では,汎用的で軽量なドメイン・ディスタングル・モジュールを提案する。
  論文  参考訳（メタデータ） (2023-09-07T20:05:39Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
  マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。 実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
  論文  参考訳（メタデータ） (2022-09-30T03:40:10Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• Dynamic Fusion Network for Multi-Domain End-to-end Task-Oriented Dialog [70.79442700890843]
  本稿では,対象ドメインと各ドメインの関連性を自動的に活用する新しい動的核融合ネットワーク(DF-Net)を提案する。 トレーニングデータが少ないと、平均13.9%の事前最良モデルを上回り、転送可能性を示す。
  論文  参考訳（メタデータ） (2020-04-23T08:17:22Z)

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。