Fugu-MT 論文翻訳(概要): FedRule: Federated Rule Recommendation System with Graph Neural Networks

論文の概要: FedRule: Federated Rule Recommendation System with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2211.06812v1
Date: Sun, 13 Nov 2022 04:36:36 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 17:03:05.834322
Title: FedRule: Federated Rule Recommendation System with Graph Neural Networks
Title（参考訳）: FedRule: グラフニューラルネットワークを用いたフェデレーションルール推奨システム
Authors: Yuhang Yao, Mohammad Mahdi Kamani, Zhongwei Cheng, Lin Chen, Carlee Joe-Wong, Tianqiang Liu
Abstract要約: ルールレコメンデーションシステムは、どのルールが人気かを学ぶことで、自動的にルールを提案することができる。従来のレコメンデーションの定式化は、多くのユーザの家で使用されるルールを記録するために中央サーバーを必要とする。本稿では,これらの課題に対処するため,FedRuleと呼ばれる新しいルールレコメンデーションシステムを提案する。
参考スコア（独自算出の注目度）: 26.514896057601206
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Much of the value that IoT (Internet-of-Things) devices bring to ``smart'' homes lies in their ability to automatically trigger other devices' actions: for example, a smart camera triggering a smart lock to unlock a door. Manually setting up these rules for smart devices or applications, however, is time-consuming and inefficient. Rule recommendation systems can automatically suggest rules for users by learning which rules are popular based on those previously deployed (e.g., in others' smart homes). Conventional recommendation formulations require a central server to record the rules used in many users' homes, which compromises their privacy and leaves them vulnerable to attacks on the central server's database of rules. Moreover, these solutions typically leverage generic user-item matrix methods that do not fully exploit the structure of the rule recommendation problem. In this paper, we propose a new rule recommendation system, dubbed as FedRule, to address these challenges. One graph is constructed per user upon the rules s/he is using, and the rule recommendation is formulated as a link prediction task in these graphs. This formulation enables us to design a federated training algorithm that is able to keep users' data private. Extensive experiments corroborate our claims by demonstrating that FedRule has comparable performance as the centralized setting and outperforms conventional solutions.
Abstract（参考訳）: IoT(Internet-of-Things)デバイスが‘‘smart’ホームにもたらす価値の多くは、他のデバイスのアクションを自動的にトリガーする能力にある。しかし、これらのルールをスマートデバイスやアプリケーションに手動で設定することは、時間がかかり非効率である。ルールレコメンデーションシステムは、以前にデプロイされたルール(例えば、他人のスマートホーム)に基づいて、どのルールが人気であるかを学習することで、自動的にルールを提案することができる。従来のレコメンデーションでは、中央サーバは、多くのユーザの家で使用されるルールを記録する必要があり、プライバシを侵害し、中央サーバのルールデータベースへの攻撃に対して脆弱である。さらに、これらのソリューションは通常、ルールレコメンデーション問題の構造を完全に活用しないジェネリックなユーザ-イテム行列メソッドを利用する。本稿では,これらの課題に対処するため,FedRuleと呼ばれる新しいルールレコメンデーションシステムを提案する。ユーザが使用するルールs/heに基づいて1つのグラフを構築し、これらのグラフにリンク予測タスクとしてルールレコメンデーションを定式化する。この定式化により,ユーザのデータをプライベートに保持可能なフェデレーショントレーニングアルゴリズムの設計が可能になる。大規模な実験は、FedRuleが集中的な設定として同等のパフォーマンスを持ち、従来のソリューションよりも優れていることを示すことで、私たちの主張を裏付けます。

関連論文リスト

Learning Rules from KGs Guided by Language Models [48.858741745144044]
ルール学習手法は、潜在的に欠落する事実を予測するために適用することができる。規則のランク付けは、高度に不完全あるいは偏りのあるKGよりも特に難しい。近年のLanguage Models (LM) の台頭により、いくつかの研究が、LMがKG補完の代替手段として利用できると主張している。
論文参考訳（メタデータ） (2024-09-12T09:27:36Z)
Ruledger: Ensuring Execution Integrity in Trigger-Action IoT Platforms [11.002430020026175]
我々は、ルールの正しい実行を保証するために、Leadgerと呼ばれる台帳ベースのIoTプラットフォームを提案する。特に,ルールドガーの台帳ウォールベースのアプリケーションを実現するために,3つのアルゴリズムを開発した。実験の結果は、スマートホームシステムでは許容できる平均12.53%の遅延が生じることを示した。
論文参考訳（メタデータ） (2024-02-29T10:12:23Z)
Automation of Smart Homes with Multiple Rule Sources [0.0]
様々なソースからルールを管理するには、構造化された手続き、関連する方針、指定された権限が必要である。提案手法とシステム実装では,ルール管理プロセス,ルール管理者,ドメイン固有のルール言語を導入している。このシステムは、住民を観察し、行動パターンを検出し、システムへの推奨として提示されるルールを導出する学習プロセスを提供する。
論文参考訳（メタデータ） (2024-01-03T14:40:05Z)
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)
ChatRule: Mining Logical Rules with Large Language Models for Knowledge Graph Reasoning [107.61997887260056]
そこで我々は,知識グラフ上の論理ルールをマイニングするための大規模言語モデルの力を解き放つ新しいフレームワークChatRuleを提案する。具体的には、このフレームワークは、KGのセマンティック情報と構造情報の両方を活用するLLMベースのルールジェネレータで開始される。生成されたルールを洗練させるために、ルールランキングモジュールは、既存のKGから事実を取り入れてルール品質を推定する。
論文参考訳（メタデータ） (2023-09-04T11:38:02Z)
RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
論文参考訳（メタデータ） (2022-10-24T06:47:13Z)
Towards Target Sequential Rules [52.4562332499155]
ターゲット・シーケンシャル・ルール・マイニング(TaSRM)と呼ばれる効率的なアルゴリズムを提案する。新たなアルゴリズムであるTaSRMとその変種は,既存のベースラインアルゴリズムと比較して実験性能がよいことを示す。
論文参考訳（メタデータ） (2022-06-09T18:59:54Z)
A Novel Privacy-Preserved Recommender System Framework based on Federated Learning [0.0]
本稿では,プライバシ保護型リコメンデータシステムフレームワーク(PPRSF)を提案する。 PPRSFは、プライバシー漏洩のリスクを減らすだけでなく、法と規制の要件を満たすだけでなく、さまざまな推奨アルゴリズムの適用を可能にしている。
論文参考訳（メタデータ） (2020-11-11T08:07:58Z)
Rewriting a Deep Generative Model [56.91974064348137]
我々は,深層生成モデルによって符号化された特定の規則の操作という,新たな問題設定を導入する。本稿では,ディープネットワークの層を線形連想メモリとして操作することで,所望のルールを変更する定式化を提案する。本稿では,生成モデルのルールを対話的に変更し,望ましい効果を得られるユーザインタフェースを提案する。
論文参考訳（メタデータ） (2020-07-30T17:58:16Z)
Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs [20.251630903853016]
本稿では,ルール階層を用いて非プロミッシングルールを抽出する新しい手法を提案する。 HPMの応用は非プロムルールの除去に有効であることを示す。
論文参考訳（メタデータ） (2020-06-29T16:33:30Z)
Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
論文参考訳（メタデータ） (2020-03-13T00:32:46Z)

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。