論文の概要: PEPPER: Empowering User-Centric Recommender Systems over Gossip Learning
- arxiv url: http://arxiv.org/abs/2208.05320v1
- Date: Tue, 9 Aug 2022 14:51:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 13:29:17.997417
- Title: PEPPER: Empowering User-Centric Recommender Systems over Gossip Learning
- Title（参考訳）: PEPPER:ゴシップ学習よりもユーザ中心のレコメンダシステムを活用する
- Authors: Yacine Belal and Aur\'elien Bellet and Sonia Ben Mokhtar and Vlad Nitu
- Abstract要約: PEPPERは、ゴシップ学習原則に基づく分散型レコメンデーションシステムである。
私たちのソリューションは、他の分散ソリューションよりも最大42%高速に収束します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems are proving to be an invaluable tool for extracting
user-relevant content helping users in their daily activities (e.g., finding
relevant places to visit, content to consume, items to purchase). However, to
be effective, these systems need to collect and analyze large volumes of
personal data (e.g., location check-ins, movie ratings, click rates .. etc.),
which exposes users to numerous privacy threats. In this context, recommender
systems based on Federated Learning (FL) appear to be a promising solution for
enforcing privacy as they compute accurate recommendations while keeping
personal data on the users' devices. However, FL, and therefore FL-based
recommender systems, rely on a central server that can experience scalability
issues besides being vulnerable to attacks. To remedy this, we propose PEPPER,
a decentralized recommender system based on gossip learning principles. In
PEPPER, users gossip model updates and aggregate them asynchronously. At the
heart of PEPPER reside two key components: a personalized peer-sampling
protocol that keeps in the neighborhood of each node, a proportion of nodes
that have similar interests to the former and a simple yet effective model
aggregation function that builds a model that is better suited to each user.
Through experiments on three real datasets implementing two use cases: a
location check-in recommendation and a movie recommendation, we demonstrate
that our solution converges up to 42% faster than with other decentralized
solutions providing up to 9% improvement on average performance metric such as
hit ratio and up to 21% improvement on long tail performance compared to
decentralized competitors.
- Abstract（参考訳）: レコメンダシステムは、ユーザーが日々のアクティビティ(訪問する場所、消費するコンテンツ、購入するアイテムなど)に役立つユーザ関連コンテンツを抽出するための、貴重なツールであることが証明されている。
しかし、効果的にするためには、これらのシステムは大量の個人情報(例えば、位置情報のチェックイン、映画の評価、クリック率など)を収集し、分析する必要がある。
この文脈では、フェデレーション学習(fl)に基づくレコメンダシステムは、ユーザーのデバイスに個人データを保存しながら正確なレコメンデーションを計算しながら、プライバシーを強制するための有望なソリューションであるように見える。
しかし、FL、すなわちFLベースのレコメンダシステムは、攻撃に弱いこと以外にスケーラビリティ上の問題を経験できる中央サーバーに依存している。
そこで本稿では,ゴシップ学習原則に基づく分散型推薦システムであるPEPPERを提案する。
PEPPERでは、ユーザーはモデルの更新をゴシップして非同期に集約する。
PEPPERの中心には、2つの重要なコンポーネントがある: 各ノードの近傍にパーソナライズされたピアサンプリングプロトコル、前者と同様の関心を持つノードの割合、そして各ユーザに適したモデルを構築する単純なモデル集約関数である。
ロケーションチェックインのレコメンデーションと映画のレコメンデーションの2つのユースケースを実装した3つの実際のデータセットの実験を通じて、当ソリューションが他の分散ソリューションよりも最大42%高速に収束することを示し、ヒット率やロングテールパフォーマンスの最大21%の改善といった平均パフォーマンス指標を最大9%改善できることを示した。
関連論文リスト
- Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System [4.76281731053599]
レコメンダシステムは、ユーザの履歴データを利用して顧客の興味を推測し、パーソナライズされたレコメンデーションを提供する。
協調フィルタリング(Collaborative filtering)は、複数のユーザのレーティングを使用して、欠落したレーティングを予測するレコメンデーションアルゴリズムの1つである。
Recommender システムはより複雑になり、コンテンツベースの属性やユーザインタラクション、コンテキスト情報などの補助的なデータを組み込むことができる。
論文 参考訳（メタデータ） (2024-11-04T06:31:52Z) - System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes [80.97898201876592]
本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。
そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
論文 参考訳（メタデータ） (2024-05-29T18:19:37Z) - The Fault in Our Recommendations: On the Perils of Optimizing the Measurable [2.6217304977339473]
エンゲージメントの最適化は、大きなユーティリティ損失をもたらす可能性があることを示す。
我々は、最初は人気コンテンツとニッチコンテンツの混在を推奨するユーティリティ・アウェア・ポリシーを提案する。
論文 参考訳（メタデータ） (2024-05-07T02:12:17Z) - On the resilience of Collaborative Learning-based Recommender Systems Against Community Detection Attack [1.9093042949944972]
フェデレートラーニング(FL)やゴシップラーニング(GL)といった協調学習技術の成功により、協調学習に基づく推薦システムが登場した。
これらのシステムでは、ユーザはデバイス上で消費されたアイテムの履歴を維持しながらレコメンデーションシステムのトレーニングに参加します。
最近の研究で、協調学習は様々なプライバシー攻撃に弱いことが判明している。
論文 参考訳（メタデータ） (2023-06-15T08:02:07Z) - FedGRec: Federated Graph Recommender System with Lazy Update of Latent
Embeddings [108.77460689459247]
プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。
本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。
我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
論文 参考訳（メタデータ） (2022-10-25T01:08:20Z) - 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) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Debiasing Learning for Membership Inference Attacks Against Recommender
Systems [79.48353547307887]
学習されたレコメンデータシステムは、トレーニングデータに関する情報を不注意に漏洩させ、プライバシー侵害につながる可能性がある。
我々は,推薦者システムによるプライバシー上の脅威を,会員推定のレンズを通して調査する。
本稿では,4つの主要コンポーネントを持つリコメンダシステム(DL-MIA)フレームワークに対する,メンバシップ推論攻撃に対するバイアス学習を提案する。
論文 参考訳（メタデータ） (2022-06-24T17:57:34Z) - FedCL: Federated Contrastive Learning for Privacy-Preserving
Recommendation [98.5705258907774]
FedCLは、プライバシーを十分に保護した効果的なモデルトレーニングのために、高品質な負のサンプルを利用することができる。
まず、各クライアントのローカルモデルを介してローカルユーザデータからユーザ埋め込みを推測し、その後、ローカルディファレンシャルプライバシ(LDP)で摂動する。
個々のユーザ埋め込みにはLDPによる重騒音が伴うため,ノイズの影響を軽減するため,サーバ上にユーザ埋め込みをクラスタ化することを提案する。
論文 参考訳（メタデータ） (2022-04-21T02:37:10Z) - 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) - 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)
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。