論文の概要: A Survey on Federated Recommendation Systems

• arxiv url: http://arxiv.org/abs/2301.00767v1
• Date: Tue, 27 Dec 2022 08:09:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 01:48:49.313517
• Title: A Survey on Federated Recommendation Systems
• Title（参考訳）: 連合レコメンデーションシステムに関する調査研究
• Authors: Zehua Sun, Yonghui Xu, Yong Liu, Wei He, Yali Jiang, Fangzhao Wu, Lizhen Cui
• Abstract要約: ユーザプライバシを保護するためのレコメンデーションシステムにフェデレーション学習が適用されている。 フェデレートされた学習設定では、レコメンデーションシステムは、実際のユーザデータの代わりに中間パラメータのみを収集するレコメンデーションモデルを訓練することができる。
• 参考スコア（独自算出の注目度）: 40.46436329232597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning has recently been applied to recommendation systems to protect user privacy. In federated learning settings, recommendation systems can train recommendation models only collecting the intermediate parameters instead of the real user data, which greatly enhances the user privacy. Beside, federated recommendation systems enable to collaborate with other data platforms to improve recommended model performance while meeting the regulation and privacy constraints. However, federated recommendation systems faces many new challenges such as privacy, security, heterogeneity and communication costs. While significant research has been conducted in these areas, gaps in the surveying literature still exist. In this survey, we-(1) summarize some common privacy mechanisms used in federated recommendation systems and discuss the advantages and limitations of each mechanism; (2) review some robust aggregation strategies and several novel attacks against security; (3) summarize some approaches to address heterogeneity and communication costs problems; (4)introduce some open source platforms that can be used to build federated recommendation systems; (5) present some prospective research directions in the future. This survey can guide researchers and practitioners understand the research progress in these areas.
• Abstract（参考訳）: フェデレーション学習は、ユーザーのプライバシーを保護するレコメンデーションシステムに最近適用された。 連合学習環境では、レコメンデーションシステムは、実際のユーザデータではなく中間パラメータのみを収集するレコメンデーションモデルをトレーニングできるため、ユーザのプライバシが大幅に向上する。 フェデレートされたレコメンデーションシステムは、他のデータプラットフォームと連携して、規制とプライバシの制約を満たしながら推奨モデルのパフォーマンスを改善することができる。 しかし、連合レコメンデーションシステムは、プライバシ、セキュリティ、異質性、通信コストなど、多くの新しい課題に直面している。 これらの地域では有意な研究が行われているが、調査文献のギャップは残っている。 In this survey, we-(1) summarize some common privacy mechanisms used in federated recommendation systems and discuss the advantages and limitations of each mechanism; (2) review some robust aggregation strategies and several novel attacks against security; (3) summarize some approaches to address heterogeneity and communication costs problems; (4)introduce some open source platforms that can be used to build federated recommendation systems; (5) present some prospective research directions in the future. この調査は、研究者や実践者がこれらの分野の研究の進捗を理解するためのガイドとなる。

関連論文リスト

• A Deep Dive into Fairness, Bias, Threats, and Privacy in Recommender Systems: Insights and Future Research [45.86892639035389]
  本研究では,推薦システムにおける公正性,バイアス,脅威,プライバシについて検討する。 アルゴリズムによる決定が、意図せずバイアスを強化したり、特定のユーザやアイテムグループを疎外したりする方法について検討する。 この研究は、推薦システムの堅牢性、公正性、プライバシーを改善するための今後の研究の方向性を示唆している。
  論文  参考訳（メタデータ） (2024-09-19T11:00:35Z)
• Transparency, Privacy, and Fairness in Recommender Systems [0.19036571490366497]
  このハビテーションは、(i)透明性と認知モデル、(ii)プライバシーと限定された嗜好情報、(iii)推薦システムにおける公正性と人気バイアスに関連する側面を精査する。
  論文  参考訳（メタデータ） (2024-06-17T08:37:14Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• 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)
• 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)
• Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect [89.91745908462417]
  実験による推薦システムに対する事前学習の利点を示す。 事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
  論文  参考訳（メタデータ） (2020-09-19T13:06:27Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。