論文の概要: Decentralized Collaborative Learning Framework for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2204.06516v1
• Date: Wed, 30 Mar 2022 11:00:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-17 07:05:59.443986
• Title: Decentralized Collaborative Learning Framework for Next POI Recommendation
• Title（参考訳）: 次世代POI勧告のための分散協調学習フレームワーク
• Authors: Jing Long, Tong Chen, Nguyen Quoc Viet Hung, Hongzhi Yin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.65626819903099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next Point-of-Interest (POI) recommendation has become an indispensable functionality in Location-based Social Networks (LBSNs) due to its effectiveness in helping people decide the next POI to visit. However, accurate recommendation requires a vast amount of historical check-in data, thus threatening user privacy as the location-sensitive data needs to be handled by cloud servers. Although there have been several on-device frameworks for privacy-preserving POI recommendations, they are still resource-intensive when it comes to storage and computation, and show limited robustness to the high sparsity of user-POI interactions. On this basis, we propose a novel decentralized collaborative learning framework for POI recommendation (DCLR), which allows users to train their personalized models locally in a collaborative manner. DCLR significantly reduces the local models' dependence on the cloud for training, and can be used to expand arbitrary centralized recommendation models. To counteract the sparsity of on-device user data when learning each local model, we design two self-supervision signals to pretrain the POI representations on the server with geographical and categorical correlations of POIs. To facilitate collaborative learning, we innovatively propose to incorporate knowledge from either geographically or semantically similar users into each local model with attentive aggregation and mutual information maximization. The collaborative learning process makes use of communications between devices while requiring only minor engagement from the central server for identifying user groups, and is compatible with common privacy preservation mechanisms like differential privacy.
• Abstract（参考訳）: 次のPOI(Point-of-Interest)レコメンデーションは、次のPOIの訪問を決めるのに有効であることから、ロケーションベースのソーシャルネットワーク(LBSN)において欠かせない機能となっている。 しかし正確な推奨には大量の履歴チェックインデータが必要であるため、ロケーションに敏感なデータはクラウドサーバによって処理される必要があるため、ユーザのプライバシを脅かすことになる。 プライバシを保存するPOIレコメンデーションのためのオンデバイスフレームワークはいくつかあるが、ストレージや計算に関してはまだリソース集約的であり、ユーザとPOIのインタラクションのばらつきに限界がある。 そこで本研究では,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。 dclrは、トレーニングのためのクラウドへのローカルモデルの依存を大幅に削減し、任意の集中型レコメンデーションモデルを拡張できる。 ローカルモデルを学習する際のデバイス上のユーザデータの空間性に対処するため,サーバ上のPOI表現を地理的および分類的相関で事前学習するための2つの自己超越信号の設計を行う。 協調学習を容易にするために,地理的・意味的に類似したユーザからの知識を各局所モデルに組み込むことを革新的に提案する。 コラボレーティブな学習プロセスは、ユーザグループを特定するために中央サーバからの小さな関与のみを必要としながら、デバイス間のコミュニケーションを利用し、差分プライバシーのような一般的なプライバシー保護メカニズムと互換性がある。

関連論文リスト

• DecKG: Decentralized Collaborative Learning with Knowledge Graph Enhancement for POI Recommendation [33.42817477508175]
  POI(Point-of-Interest)レコメンデーションのための分散協調学習が研究の関心を集めている。 我々は,POIレコメンデーション(DecKG)のための知識グラフ強化フレームワークを用いた分散協調学習を提案する。
  論文  参考訳（メタデータ） (2024-10-14T03:37:47Z)
• Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations [39.29562719543681]
  Next Point-of-Interest (POI)レコメンデーションは、履歴チェックインデータを活用して、ユーザの訪問する次のPOIを予測する。 従来の集中型ディープニューラルネットワーク(DNN)は、優れたPOIレコメンデーションパフォーマンスを提供するが、プライバシの懸念と制限されたタイムラインのため、課題に直面している。 プライバシとレコメンデーションのタイムラインを保証するために、フェデレートラーニング(FL)と分散アプローチを活用するオンデバイスPOIレコメンデーションが導入されている。 本稿では,新しい協調学習フレームワークであるDiffusion-based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations (DCPR)を紹介する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:23Z)
• 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)
• DisPFL: Towards Communication-Efficient Personalized Federated Learning via Decentralized Sparse Training [84.81043932706375]
  本稿では,分散型(ピアツーピア)通信プロトコルであるDis-PFLにおいて,新たな個人化フェデレーション学習フレームワークを提案する。 Dis-PFLはパーソナライズされたスパースマスクを使用して、エッジ上のスパースローカルモデルをカスタマイズする。 本手法は,計算複雑性の異なる異種ローカルクライアントに容易に適応できることを実証する。
  論文  参考訳（メタデータ） (2022-06-01T02:20:57Z)
• Empowering Next POI Recommendation with Multi-Relational Modeling [27.27372864066066]
  位置情報ベースのソーシャルネットワーク(LBSN)は、個人レベルの位置情報関連の大規模活動と体験を提供する。 次の関心のポイント(POI)レコメンデーションは、LBSNにおける最も重要なタスクの1つである。 マルチネットワーク表現学習モジュールとの異種関係を効果的に活用する新しいフレームワークMEMOを提案する。
  論文  参考訳（メタデータ） (2022-04-24T21:51:29Z)
• 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)
• How to Put Users in Control of their Data in Federated Top-N Recommendation with Learning to Rank [16.256897977543982]
  FPLは、ユーザがデバイスを離れる機密データの量を制御しながら、中央分解モデルのトレーニングに協力するアーキテクチャである。 提案手法は,フェデレートラーニングの原則に従うことで,ペアワイズ学習とランク最適化を実現する。
  論文  参考訳（メタデータ） (2020-08-17T10:13:15Z)
• Decentralised Learning from Independent Multi-Domain Labels for Person Re-Identification [69.29602103582782]
  ディープラーニングは多くのコンピュータビジョンタスクで成功している。 しかし、プライバシー問題に対する意識の高まりは、特に人物の再識別(Re-ID)において、ディープラーニングに新たな課題をもたらす。 我々は,複数のプライバシ保護されたローカルモデル(ローカルクライアント)を同時に学習することにより,汎用的なグローバルモデル(中央サーバ)を構築するための,フェデレート・パーソナライゼーション(FedReID)と呼ばれる新しいパラダイムを提案する。 このクライアントサーバ共同学習プロセスは、プライバシコントロールの下で反復的に実行されるため、分散データを共有したり、収集したりすることなく、分散学習を実現することができる。
  論文  参考訳（メタデータ） (2020-06-07T13:32:33Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。