論文の概要: Dual Personalization on Federated Recommendation
- arxiv url: http://arxiv.org/abs/2301.08143v1
- Date: Mon, 16 Jan 2023 05:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-20 14:51:20.139237
- Title: Dual Personalization on Federated Recommendation
- Title(参考訳): フェデレーションレコメンデーションにおける二重パーソナライズ
- Authors: Chunxu Zhang, Guodong Long, Tianyi Zhou, Peng Yan, Zijian Zhang,
Chengqi Zhang, Bo Yang
- Abstract要約: フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。
本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。
また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
- 参考スコア(独自算出の注目度): 50.4115315992418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated recommendation is a new Internet service architecture that aims to
provide privacy-preserving recommendation services in federated settings.
Existing solutions are used to combine distributed recommendation algorithms
and privacy-preserving mechanisms. Thus it inherently takes the form of
heavyweight models at the server and hinders the deployment of on-device
intelligent models to end-users. This paper proposes a novel Personalized
Federated Recommendation (PFedRec) framework to learn many user-specific
lightweight models to be deployed on smart devices rather than a heavyweight
model on a server. Moreover, we propose a new dual personalization mechanism to
effectively learn fine-grained personalization on both users and items. The
overall learning process is formulated into a unified federated optimization
framework. Specifically, unlike previous methods that share exactly the same
item embeddings across users in a federated system, dual personalization allows
mild finetuning of item embeddings for each user to generate user-specific
views for item representations which can be integrated into existing federated
recommendation methods to gain improvements immediately. Experiments on
multiple benchmark datasets have demonstrated the effectiveness of PFedRec and
the dual personalization mechanism. Moreover, we provide visualizations and
in-depth analysis of the personalization techniques in item embedding, which
shed novel insights on the design of RecSys in federated settings.
- Abstract(参考訳): フェデレーションレコメンデーション(federated recommendation)は、プライバシー保護レコメンデーションサービスをフェデレーション設定で提供する、新しいインターネットサービスアーキテクチャである。
既存のソリューションは、分散レコメンデーションアルゴリズムとプライバシ保護メカニズムを組み合わせるために使用される。
したがって、本質的にはサーバでヘビーウェイトモデルの形をとり、デバイス上のインテリジェントモデルのエンドユーザへのデプロイを妨げる。
本稿では、サーバ上の重み付けモデルではなく、スマートデバイスにデプロイされる多くのユーザ固有の軽量モデルを学ぶために、Personalized Federated Recommendation(PFedRec)フレームワークを提案する。
さらに,ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための,新たな二重パーソナライズ機構を提案する。
全体的な学習プロセスは統合された最適化フレームワークに定式化される。
具体的には、フェデレーションシステムでユーザ間でまったく同じアイテム埋め込みを共有する従来の方法とは異なり、デュアルパーソナライズにより、各ユーザがアイテム埋め込みを穏やかに微調整することで、アイテム表現に対するユーザ固有のビューを生成し、既存のフェデレーション推奨メソッドに統合して、すぐに改善を得られるようになる。
複数のベンチマークデータセットの実験では、PFedRecと二重パーソナライゼーション機構の有効性が実証されている。
さらに,項目埋め込みにおけるパーソナライズ手法の可視化と詳細な分析を行い,フェデレーション設定におけるrecsysの設計に関する新たな知見を得た。
関連論文リスト
- 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) - PinnerSage: Multi-Modal User Embedding Framework for Recommendations at
Pinterest [54.56236567783225]
PinnerSageはエンド・ツー・エンドのレコメンデーションシステムで、マルチモーダル・埋め込みを通じて各ユーザーを表現する。
オフラインおよびオンラインA/B実験を複数実施し,本手法が単一埋め込み法より有意に優れていることを示す。
論文 参考訳(メタデータ) (2020-07-07T17:13:20Z) - MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation [46.0605442943949]
ほとんどのレコメンデーションシステムの一般的な課題は、コールドスタート問題である。
本稿では,タスク固有の記憶と特徴固有の記憶を格納できる2つのメモリ行列を設計する。
提案手法を最適化するためにメタ最適化アプローチを採用する。
論文 参考訳(メタデータ) (2020-07-07T03:25:15Z) - Federated Multi-view Matrix Factorization for Personalized
Recommendations [53.74747022749739]
本稿では,フェデレートされた学習フレームワークを,複数のデータソースを用いた行列分解に拡張する,フェデレートされたマルチビュー行列分解手法を提案する。
本手法では,ユーザの個人情報を中央サーバに転送することなく,マルチビューモデルを学習することができる。
論文 参考訳(メタデータ) (2020-04-08T21:07:50Z) - Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static
Side Information [20.176329366180934]
ユーザや推奨項目が複数のエンティティタイプを持つリッチなデータ構造であるレコメンデーションシステムの問題について検討する。
我々は、現代の現実世界のレコメンデーションの複雑さを捉えた問題に対する一般的な定式化を提供する。
本稿では,我々の定式化とMEDRESアーキテクチャの2つの実世界のケーススタディを示す。
論文 参考訳(メタデータ) (2020-01-28T17:53:38Z) - MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive
Model Selection [110.87712780017819]
推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。
2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
論文 参考訳(メタデータ) (2020-01-22T16:05:01Z) - Meta Matrix Factorization for Federated Rating Predictions [84.69112252208468]
フェデレートされたレコメンデーターシステムは、従来のレコメンデーターシステムよりもプライバシー保護という点で明確なアドバンテージを持っている。
フェデレートされたレコメンデータシステムに関するこれまでの研究は、モバイル環境におけるストレージ、RAM、エネルギ、通信帯域の制限を十分に考慮していない。
本研究の目的は,モバイル環境を対象としたレーティング予測(RP)のための新しい統合学習フレームワークを設計することである。
論文 参考訳(メタデータ) (2019-10-22T16:29:51Z)
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。