論文の概要: Recommendation Unlearning
- arxiv url: http://arxiv.org/abs/2201.06820v1
- Date: Tue, 18 Jan 2022 08:43:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 18:31:43.004148
- Title: Recommendation Unlearning
- Title（参考訳）: 勧告アンラーニング
- Authors: Chong Chen, Fei Sun, Min Zhang, Bolin Ding
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 27.99369346343332
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recommender systems provide essential web services by learning users'
personal preferences from collected data. However, in many cases, systems also
need to forget some training data. From the perspective of privacy, several
privacy regulations have recently been proposed, requiring systems to eliminate
any impact of the data whose owner requests to forget. From the perspective of
utility, if a system's utility is damaged by some bad data, the system needs to
forget these data to regain utility. From the perspective of usability, users
can delete noise and incorrect entries so that a system can provide more useful
recommendations. While unlearning is very important, it has not been
well-considered in existing recommender systems. Although there are some
researches have studied the problem of machine unlearning in the domains of
image and text data, existing methods can not been directly applied to
recommendation as they are unable to consider the collaborative information.
In this paper, we propose RecEraser, a general and efficient machine
unlearning framework tailored to recommendation task. The main idea of
RecEraser is to partition the training set into multiple shards and train a
constituent model for each shard. Specifically, to keep the collaborative
information of the data, we first design three novel data partition algorithms
to divide training data into balanced groups based on their similarity. Then,
considering that different shard models do not uniformly contribute to the
final prediction, we further propose an adaptive aggregation method to improve
the global model utility. Experimental results on three public benchmarks show
that RecEraser can not only achieve efficient unlearning, but also outperform
the state-of-the-art unlearning methods in terms of model utility. The source
code can be found at https://github.com/chenchongthu/Recommendation-Unlearning
- Abstract（参考訳）: 利用者の好みを収集データから学習することで,レコメンダシステムは不可欠なWebサービスを提供する。
しかし、多くの場合、システムは一部のトレーニングデータを忘れる必要がある。
プライバシーの観点から言えば、最近いくつかのプライバシー規制が提案されており、所有者が忘れるように要求するデータの影響を排除する必要がある。
実用性の観点からは、システムのユーティリティが悪いデータによって損傷された場合、システムはユーティリティを回復するためにこれらのデータを忘れる必要がある。
ユーザビリティの観点からは、ノイズや誤ったエントリを削除することで、システムはより有用なレコメンデーションを提供できる。
アンラーニングは非常に重要であるが、既存のレコメンデーションシステムでは十分に考慮されていない。
画像やテキストデータの領域における機械学習の問題を研究している研究もあるが、コラボレーティブな情報を考慮できないため、既存の手法は推奨には直接適用できない。
本稿では,レコメンデーションタスクに適した汎用かつ効率的な機械学習フレームワークであるreceraserを提案する。
reeraserの主なアイデアは、トレーニングセットを複数のシャードに分割し、各シャードの構成モデルをトレーニングすることだ。
具体的には,データの協調的情報を保持するために,まず3つの新しいデータ分割アルゴリズムを設計し,それら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。
そして, 異なるシャードモデルが最終予測に一様に寄与しないことを考慮し, グローバルモデルの有用性を向上させるための適応集計法を提案する。
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。
ソースコードはhttps://github.com/chenchongthu/Recommendation-Unlearningにある。
関連論文リスト
- CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。
さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文 参考訳（メタデータ） (2024-08-26T16:21:50Z) - Fast Machine Unlearning Without Retraining Through Selective Synaptic
Dampening [51.34904967046097]
Selective Synaptic Dampening (SSD)は高速で、訓練データの長期保存を必要としない。
高速で性能が高く,トレーニングデータの長期保存を必要としない,新しい2段階のポストホック,リトレーニングフリーなマシンアンラーニング手法を提案する。
論文 参考訳（メタデータ） (2023-08-15T11:30:45Z) - Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。
ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。
本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
論文 参考訳（メタデータ） (2023-02-13T13:11:46Z) - Verifiable and Provably Secure Machine Unlearning [37.353982787321385]
機械学習は、トレーニング後の機械学習モデルのトレーニングデータセットからポイントを取り除くことを目的としている。
本稿では,機械のアンラーニングシステムの保証を捉えるための,検証可能なアンラーニングの最初の暗号的定義を示す。
我々は、線形回帰、ロジスティック回帰、ニューラルネットワークの実現可能性を検証するために、3つの異なるアンラーニング手法のプロトコルを実装した。
論文 参考訳（メタデータ） (2022-10-17T14:19:52Z) - Can Bad Teaching Induce Forgetting? Unlearning in Deep Networks using an
Incompetent Teacher [6.884272840652062]
そこで本研究では,学習者・教師の知能・能力に乏しい教師を学習者・教師の枠組みで探究し,忘れがちさを誘発する手法を提案する。
有能で無能な教師からの知識は、学生に選択的に伝達され、忘れデータに関する情報を含まないモデルが得られる。
ゼロ・ナッシング(ZRF)メトリクスを導入し、未学習の手法を評価する。
論文 参考訳（メタデータ） (2022-05-17T05:13:17Z) - Making Recommender Systems Forget: Learning and Unlearning for Erasable
Recommendation [18.72554870460794]
LASERは効率的なアンラーニングを実現するだけでなく、モデルユーティリティの観点から最先端のアンラーニングフレームワークよりも優れています。
2つの実世界のデータセットに関する理論的解析と実験は、LASERが効率的なアンラーニングを達成するだけでなく、モデルユーティリティの観点から最先端のアンラーニングフレームワークよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-03-22T06:56:06Z) - Zero-Shot Machine Unlearning [6.884272840652062]
現代のプライバシー規制は、市民に製品、サービス、企業によって忘れられる権利を与える。
トレーニングプロセスやトレーニングサンプルに関連するデータは、未学習の目的のためにアクセスできない。
本稿では, (a) 誤り最小化雑音と (b) ゲート付き知識伝達に基づくゼロショットマシンアンラーニングのための2つの新しい解を提案する。
論文 参考訳（メタデータ） (2022-01-14T19:16:09Z) - Machine Unlearning of Features and Labels [72.81914952849334]
機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。
提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
論文 参考訳（メタデータ） (2021-08-26T04:42:24Z) - SSSE: Efficiently Erasing Samples from Trained Machine Learning Models [103.43466657962242]
サンプル消去のための効率的かつ効率的なアルゴリズムSSSEを提案する。
ある場合、SSSEは、許可されたデータだけで新しいモデルをスクラッチからトレーニングする最適な、しかし実用的でない金の標準と同様に、サンプルをほぼ消去することができる。
論文 参考訳（メタデータ） (2021-07-08T14:17:24Z) - FedeRank: User Controlled Feedback with Federated Recommender Systems [4.474834288759608]
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。
論文 参考訳（メタデータ） (2020-12-15T22:26:54Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-18T11:44:10Z)
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。