論文の概要: Federated Privacy-preserving Collaborative Filtering for On-Device Next
App Prediction
- arxiv url: http://arxiv.org/abs/2303.04744v1
- Date: Sun, 5 Feb 2023 10:29:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-12 03:30:59.985759
- Title: Federated Privacy-preserving Collaborative Filtering for On-Device Next
App Prediction
- Title（参考訳）: デバイス上での次世代アプリ予測のためのフェデレーションプライバシ保護協調フィルタリング
- Authors: Albert Sayapin, Gleb Balitskiy, Daniel Bershatsky, Aleksandr Katrutsa,
Evgeny Frolov, Alexey Frolov, Ivan Oseledets, Vitaliy Kharin
- Abstract要約: 本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。
古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。
提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
- 参考スコア（独自算出の注目度）: 52.16923290335873
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we propose a novel SeqMF model to solve the problem of
predicting the next app launch during mobile device usage. Although this
problem can be represented as a classical collaborative filtering problem, it
requires proper modification since the data are sequential, the user feedback
is distributed among devices and the transmission of users' data to aggregate
common patterns must be protected against leakage. According to such
requirements, we modify the structure of the classical matrix factorization
model and update the training procedure to sequential learning. Since the data
about user experience are distributed among devices, the federated learning
setup is used to train the proposed sequential matrix factorization model. One
more ingredient of the proposed approach is a new privacy mechanism that
guarantees the protection of the sent data from the users to the remote server.
To demonstrate the efficiency of the proposed model we use publicly available
mobile user behavior data. We compare our model with sequential rules and
models based on the frequency of app launches. The comparison is conducted in
static and dynamic environments. The static environment evaluates how our model
processes sequential data compared to competitors. Therefore, the standard
train-validation-test evaluation procedure is used. The dynamic environment
emulates the real-world scenario, where users generate new data by running apps
on devices, and evaluates our model in this case. Our experiments show that the
proposed model provides comparable quality with other methods in the static
environment. However, more importantly, our method achieves a better
privacy-utility trade-off than competitors in the dynamic environment, which
provides more accurate simulations of real-world usage.
- Abstract（参考訳）: 本研究では,モバイル端末使用時の次回のアプリ起動予測問題を解決するための新しいseqmfモデルを提案する。
この問題は、古典的な協調フィルタリング問題として表現できるが、データはシーケンシャルであり、ユーザフィードバックはデバイス間で分散され、共通のパターンを集約するためのユーザのデータの送信は、漏洩から保護されなければならない。
このような要求に従って,古典行列分解モデルの構造を変更し,学習手順を逐次学習に更新する。
ユーザエクスペリエンスに関するデータはデバイス間で配布されるので、フェデレーション学習セットアップを使用して、提案された逐次行列因子化モデルをトレーニングする。
提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
提案モデルの有効性を示すために,モバイルユーザ行動データを用いた。
当社のモデルを、アプリのローンチ頻度に基づいたシーケンシャルなルールとモデルと比較します。
比較は静的環境と動的環境で行われる。
静的環境は、我々のモデルがどのようにシーケンシャルデータを処理するかを評価する。
そのため、標準列車評価試験手順が用いられる。
動的環境は、ユーザがデバイス上でアプリを実行して新しいデータを生成する現実世界のシナリオをエミュレートします。
実験により,提案モデルが静的環境における他の手法に匹敵する品質を提供することが示された。
しかし,より重要なこととして,本手法は動的環境における競合相手よりも優れたプライバシー・ユーティリティトレードオフを実現する。
関連論文リスト
- GenRec: A Flexible Data Generator for Recommendations [1.384948712833979]
GenRecは、現実的でよく知られた特性を示す合成ユーザ・イテム相互作用を生成するための新しいフレームワークである。
このフレームワークは潜在因子モデリングに基づく生成プロセスに基づいている。
論文 参考訳（メタデータ） (2024-07-23T15:53:17Z) - Dynamic Collaborative Filtering for Matrix- and Tensor-based Recommender
Systems [5.1148288291550505]
我々は、TIRecAとして知られる逐次問題に対する新しい協調フィルタリングモデルを提案する。
TIRecAは、新しいデータセグメントのみを使用してパラメータを効率的に更新し、リコメンダシステムに新たなユーザとアイテムをインクリメンタルに追加することができる。
一般行列とテンソルベースラインとの比較から,TIRecAはトレーニング時間において10～20倍高速でありながら,ベースライン法に匹敵する品質を達成できることが判明した。
論文 参考訳（メタデータ） (2023-12-04T20:45:51Z) - Going beyond research datasets: Novel intent discovery in the industry
setting [60.90117614762879]
本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。
ドメイン内データに基づく事前学習型言語モデルの利点を示す。
また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
論文 参考訳（メタデータ） (2023-05-09T14:21:29Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - Sequential Ensembling for Semantic Segmentation [4.030520171276982]
我々は、複数の独立に訓練された最先端モデルの予測を組み合わせる一般的なアンサンブルアプローチをベンチマークする。
そこで本研究では,素なアンサンブルベースラインを大幅に上回る,逐次アンサンブルネットワークの強化にインスパイアされた新しい手法を提案する。
論文 参考訳（メタデータ） (2022-10-08T22:13:59Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳（メタデータ） (2022-04-02T03:23:46Z) - Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。
本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
論文 参考訳（メタデータ） (2021-09-02T14:28:46Z) - Contrastive Self-supervised Sequential Recommendation with Robust
Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。
データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。
逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文 参考訳（メタデータ） (2021-08-14T07:15:25Z) - Multitarget Tracking with Transformers [21.81266872964314]
マルチターゲットトラッキング(MTT)は、ノイズの多い測定を使用して未知のオブジェクトの数の状態を追跡する問題です。
本稿では,Transformer アーキテクチャに基づく MTT の高性能深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-04-01T19:14:55Z)
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。