論文の概要: Making Recommender Systems Forget: Learning and Unlearning for Erasable
Recommendation
- arxiv url: http://arxiv.org/abs/2203.11491v1
- Date: Tue, 22 Mar 2022 06:56:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 03:31:24.494948
- Title: Making Recommender Systems Forget: Learning and Unlearning for Erasable
Recommendation
- Title(参考訳): Recommender Systemsを忘れる - 老朽化したレコメンデーションのための学習と学習
- Authors: Yuyuan Li, Xiaolin Zheng, Chaochao Chen, Junlin Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.72554870460794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Privacy laws and regulations enforce data-driven systems, e.g., recommender
systems, to erase the data that concern individuals. As machine learning models
potentially memorize the training data, data erasure should also unlearn the
data lineage in models, which raises increasing interest in the problem of
Machine Unlearning (MU). However, existing MU methods cannot be directly
applied into recommendation. The basic idea of most recommender systems is
collaborative filtering, but existing MU methods ignore the collaborative
information across users and items. In this paper, we propose a general
erasable recommendation framework, namely LASER, which consists of Group module
and SeqTrain module. Firstly, Group module partitions users into balanced
groups based on their similarity of collaborative embedding learned via
hypergraph. Then SeqTrain module trains the model sequentially on all groups
with curriculum learning. Both theoretical analysis and experiments on two
real-world datasets demonstrate that LASER can not only achieve efficient
unlearning, but also outperform the state-of-the-art unlearning framework in
terms of model utility.
- Abstract(参考訳): プライバシー法と規制は、個人に関するデータを消去するためにデータ駆動システム(例えばレコメンダシステム)を強制する。
機械学習モデルがトレーニングデータを記憶する可能性があるため、データ消去はモデル内のデータ系統を開放し、マシン・アンラーニング(MU)問題への関心が高まります。
しかし、既存のMUメソッドを直接推奨することはできない。
ほとんどのレコメンダシステムの基本的な考え方はコラボレーティブフィルタリングだが、既存のmuメソッドはユーザとアイテム間のコラボレーティブ情報を無視する。
本稿では,グループモジュールとSeqTrainモジュールからなる一般的な消去可能なレコメンデーションフレームワークLASERを提案する。
まず、グループモジュールは、hypergraphで学んだ共同埋め込みの類似性に基づいて、ユーザをバランスのとれたグループに分割する。
そしてseqtrainモジュールは、カリキュラム学習でモデルを全グループに順次トレーニングする。
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。
関連論文リスト
- Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳(メタデータ) (2024-10-30T17:20:10Z) - Data Debiasing with Datamodels (D3M): Improving Subgroup Robustness via Data Selection [80.85902083005237]
データモデルによるデータデバイアス(Data Debiasing with Datamodels, D3M)は、マイノリティグループにおけるモデルの障害を駆動する特定のトレーニング例を分離し、削除するデバイアス(debiasing)アプローチである。
論文 参考訳(メタデータ) (2024-06-24T17:51:01Z) - Update Selective Parameters: Federated Machine Unlearning Based on Model Explanation [46.86767774669831]
モデル説明の概念に基づく、より効率的で効率的なフェデレーション・アンラーニング・スキームを提案する。
我々は、未学習のデータに対して、すでに訓練済みのモデルの中で最も影響力のあるチャネルを選択します。
論文 参考訳(メタデータ) (2024-06-18T11:43:20Z) - OAEI Machine Learning Dataset for Online Model Generation [0.6472397166280683]
オントロジーアライメント評価イニシアチブ(OAEI)によるオントロジーと知識グラフマッチングシステムの評価
OAEIトラックのほとんどに対して、トレーニング、検証、テストセットを含むデータセットを導入します。
論文 参考訳(メタデータ) (2024-04-29T09:33:53Z) - Unlearn What You Want to Forget: Efficient Unlearning for LLMs [92.51670143929056]
大規模言語モデル(LLM)は、幅広いテキストデータを事前学習し記憶することで大きな進歩を遂げた。
このプロセスはプライバシー問題やデータ保護規則違反に悩まされる可能性がある。
データ削除後のモデル全体を再トレーニングすることなく、LLMを効率的に更新できる効率的なアンラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-31T03:35:59Z) - 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) - 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) - 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) - SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。
本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。
自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
論文 参考訳(メタデータ) (2021-07-07T05:21:12Z) - Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。
生徒は、合成された入力データを通じて教師の出力を訓練する。
その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
論文 参考訳(メタデータ) (2021-02-01T14:38:54Z) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳(メタデータ) (2020-10-02T07:11:19Z)
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。