論文の概要: FedGRec: Federated Graph Recommender System with Lazy Update of Latent
Embeddings
- arxiv url: http://arxiv.org/abs/2210.13686v1
- Date: Tue, 25 Oct 2022 01:08:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 15:14:09.661985
- Title: FedGRec: Federated Graph Recommender System with Lazy Update of Latent
Embeddings
- Title（参考訳）: fedgrec:潜在埋め込みの遅延更新を伴うフェデレーショングラフリコメンデーションシステム
- Authors: Junyi Li, Heng Huang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 108.77460689459247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems are widely used in industry to improve user experience.
Despite great success, they have recently been criticized for collecting
private user data. Federated Learning (FL) is a new paradigm for learning on
distributed data without direct data sharing. Therefore, Federated Recommender
(FedRec) systems are proposed to mitigate privacy concerns to non-distributed
recommender systems. However, FedRec systems have a performance gap to its
non-distributed counterpart. The main reason is that local clients have an
incomplete user-item interaction graph, thus FedRec systems cannot utilize
indirect user-item interactions well. In this paper, we propose the Federated
Graph Recommender System (FedGRec) to mitigate this gap. Our FedGRec system can
effectively exploit the indirect user-item interactions. More precisely, in our
system, users and the server explicitly store latent embeddings for users and
items, where the latent embeddings summarize different orders of indirect
user-item interactions and are used as a proxy of missing interaction graph
during local training. We perform extensive empirical evaluations to verify the
efficacy of using latent embeddings as a proxy of missing interaction graph;
the experimental results show superior performance of our system compared to
various baselines. A short version of the paper is presented in
\href{https://federated-learning.org/fl-neurips-2022/}{the FL-NeurIPS'22
workshop}.
- Abstract（参考訳）: レコメンダシステムは、ユーザーエクスペリエンスを改善するために業界で広く使われている。
大きな成功を収めたものの、最近はプライベートなユーザーデータを収集していると批判されている。
Federated Learning(FL)は、直接データ共有なしで分散データを学ぶための新しいパラダイムである。
したがって,非分散レコメンダシステムに対するプライバシの懸念を軽減するため,federated recommender (fedrec) システムを提案する。
しかし、FedRecシステムは非分散システムとパフォーマンスの差がある。
主な理由は、ローカルクライアントが不完全なユーザ間インタラクショングラフを持っているため、feedrecシステムは間接的なユーザ間インタラクションをうまく利用できない。
本稿では,このギャップを軽減するために,federated graph recommender system (fedgrec)を提案する。
当社のFedGRecシステムは,間接的なユーザ-イテムインタラクションを効果的に活用できる。
より正確には、ユーザとサーバは、ユーザとアイテムに対する潜伏埋め込みを明示的に記憶し、潜伏埋め込みは間接的なユーザ-イテム相互作用の異なる順序を要約し、ローカルトレーニング中に欠落したインタラクショングラフのプロキシとして使用される。
我々は, 潜在埋め込みを欠落したインタラクショングラフのプロキシとしての有効性を検証するために, 広範な経験的評価を行い, 様々なベースラインと比較して, システムの優れた性能を示す実験結果を示した。
この論文の短いバージョンは \href{https://federated-learning.org/fl-neurips-2022/}{the FL-NeurIPS'22 Workshop} で紹介されている。
関連論文リスト
- EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。
我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。
テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
論文 参考訳（メタデータ） (2024-09-23T03:23:20Z) - Learning Social Graph for Inactive User Recommendation [50.090904659803854]
LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。
実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-05-08T03:40:36Z) - 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) - DRIFT: A Federated Recommender System with Implicit Feedback on the
Items [0.0]
DRIFTは、暗黙のフィードバックを使用してレコメンデーションシステムのための連合アーキテクチャである。
我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。
我々のアルゴリズムは安全であり、当社のフェデレーションシステムの参加者は、ユーザによるインタラクションを推測できない。
論文 参考訳（メタデータ） (2023-04-17T13:12:33Z) - 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) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。
本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。
実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
論文 参考訳（メタデータ） (2021-09-13T15:02:55Z) - Graph Trend Networks for Recommendations [34.06649831739749]
推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。
これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。
彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。
本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
論文 参考訳（メタデータ） (2021-08-12T06:09:18Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-03T05:04:38Z)
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。