論文の概要: FedPOIRec: Privacy Preserving Federated POI Recommendation with Social
Influence
- arxiv url: http://arxiv.org/abs/2112.11134v1
- Date: Tue, 21 Dec 2021 12:11:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-22 15:33:43.943632
- Title: FedPOIRec: Privacy Preserving Federated POI Recommendation with Social
Influence
- Title(参考訳): FedPOIRec: 社会的影響を考慮したFederated POI勧告のプライバシー保護
- Authors: Vasileios Perifanis, George Drosatos, Giorgos Stamatelatos and Pavlos
S. Efraimidis
- Abstract要約: 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。
- 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: With the growing number of Location-Based Social Networks, privacy preserving
location prediction has become a primary task for helping users discover new
points-of-interest (POIs). Traditional systems consider a centralized approach
that requires the transmission and collection of users' private data. In this
work, we present FedPOIRec, a privacy preserving federated learning approach
enhanced with features from users' social circles for top-$N$ POI
recommendations. First, the FedPOIRec framework is built on the principle that
local data never leave the owner's device, while the local updates are blindly
aggregated by a parameter server. Second, the local recommenders get
personalized by allowing users to exchange their learned parameters, enabling
knowledge transfer among friends. To this end, we propose a privacy preserving
protocol for integrating the preferences of a user's friends after the
federated computation, by exploiting the properties of the CKKS fully
homomorphic encryption scheme. To evaluate FedPOIRec, we apply our approach
into five real-world datasets using two recommendation models. Extensive
experiments demonstrate that FedPOIRec achieves comparable recommendation
quality to centralized approaches, while the social integration protocol incurs
low computation and communication overhead on the user side.
- Abstract(参考訳): 位置情報ベースのソーシャルネットワークの増加に伴い、プライバシー保護のための位置情報予測が、ユーザーが新しい関心のポイント(POI)を見つけるのを助ける主要なタスクとなっている。
従来のシステムは、ユーザのプライベートデータの送信と収集を必要とする集中型のアプローチを考える。
本研究では,ユーザのソーシャルサークルの機能により強化された,プライバシ保護連帯学習手法であるfeedpoirecを提案する。
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。
第2に、学習したパラメータをユーザが交換し、友人間の知識伝達を可能にすることで、ローカルレコメンデーションがパーソナライズされる。
そこで本研究では,ckks完全準同型暗号方式の特性を活用し,ユーザの友人の選好を統合するプライバシ保護プロトコルを提案する。
FedPOIRecを評価するために、2つのレコメンデーションモデルを用いて、我々のアプローチを5つの実世界のデータセットに適用する。
大規模な実験では、FedPOIRecは集中型アプローチに匹敵する推奨品質を達成し、一方でソーシャル統合プロトコルは、ユーザ側で低い計算と通信オーバーヘッドを発生させる。
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) - Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。
本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
論文 参考訳(メタデータ) (2024-08-16T05:49:14Z) - FedRKG: A Privacy-preserving Federated Recommendation Framework via
Knowledge Graph Enhancement [20.214339212091012]
フェデレートラーニング(FL)は、リコメンデーションシステムでデータプライバシをローカルにトレーニングする上で有望なアプローチとして登場した。
最近のグラフニューラルネットワーク(GNN)は、ユーザとアイテム間の高次インタラクションをキャプチャできるため、リコメンデーションタスクで人気を集めている。
本稿では,グローバル知識グラフ(KG)を構築・維持する新しいフェデレーションレコメンデーションシステムであるFedRKGを提案する。
論文 参考訳(メタデータ) (2024-01-20T02:38:21Z) - 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 Heterogeneous Graph Neural Network for Privacy-preserving
Recommendation [45.39171059168941]
ヘテロジニアス・インフォメーション・ネットワーク (HIN) は、レコメンデーションシステムにおけるデータの分散を緩和するための強力なツールである。
本稿では,HINをクライアント側に保存されたプライベートなHINに分割し,サーバ上で共有する手法を提案する。
我々は、差分プライバシーの観点から、HINベースのフェデレーションレコメンデーション(FedRec)のプライバシー定義を定式化する。
論文 参考訳(メタデータ) (2023-10-18T05:59:41Z) - 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) - Cross-Network Social User Embedding with Hybrid Differential Privacy
Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。
特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。
ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文 参考訳(メタデータ) (2022-09-04T06:22:37Z) - 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) - 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) - 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。