論文の概要: Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation

• arxiv url: http://arxiv.org/abs/2310.11730v4
• Date: Wed, 28 Feb 2024 05:04:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 18:31:05.675897
• Title: Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation
• Title（参考訳）: プライバシー保護レコメンデーションのためのフェデレーション不均質グラフニューラルネットワーク
• Authors: Bo Yan, Yang Cao, Haoyu Wang, Wenchuan Yang, Junping Du, Chuan Shi
• Abstract要約: ヘテロジニアス・インフォメーション・ネットワーク (HIN) は、レコメンデーションシステムにおけるデータの分散を緩和するための強力なツールである。 本稿では,HINをクライアント側に保存されたプライベートなHINに分割し,サーバ上で共有する手法を提案する。 我々は、差分プライバシーの観点から、HINベースのフェデレーションレコメンデーション(FedRec)のプライバシー定義を定式化する。
• 参考スコア（独自算出の注目度）: 45.39171059168941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The heterogeneous information network (HIN), which contains rich semantics depicted by meta-paths, has emerged as a potent tool for mitigating data sparsity in recommender systems. Existing HIN-based recommender systems operate under the assumption of centralized storage and model training. However, real-world data is often distributed due to privacy concerns, leading to the semantic broken issue within HINs and consequent failures in centralized HIN-based recommendations. In this paper, we suggest the HIN is partitioned into private HINs stored on the client side and shared HINs on the server. Following this setting, we propose a federated heterogeneous graph neural network (FedHGNN) based framework, which facilitates collaborative training of a recommendation model using distributed HINs while protecting user privacy. Specifically, we first formalize the privacy definition for HIN-based federated recommendation (FedRec) in the light of differential privacy, with the goal of protecting user-item interactions within private HIN as well as users' high-order patterns from shared HINs. To recover the broken meta-path based semantics and ensure proposed privacy measures, we elaborately design a semantic-preserving user interactions publishing method, which locally perturbs user's high-order patterns and related user-item interactions for publishing. Subsequently, we introduce an HGNN model for recommendation, which conducts node- and semantic-level aggregations to capture recovered semantics. Extensive experiments on four datasets demonstrate that our model outperforms existing methods by a substantial margin (up to 34% in HR@10 and 42% in NDCG@10) under a reasonable privacy budget.
• Abstract（参考訳）: メタパスで表現されるリッチなセマンティクスを含むヘテロジニアス情報ネットワーク(HIN)は,レコメンダシステムにおけるデータの空間性を軽減する強力なツールとして登場した。 既存のHINベースのレコメンデータシステムは、集中ストレージとモデルトレーニングを前提として運用されている。 しかし、実際のデータはプライバシー上の懸念からしばしば分散されるため、HIN内のセマンティックな問題や、中央集権的なHINベースのレコメンデーションの失敗につながる。 本稿では,HINをクライアント側に保存されたプライベートなHINに分割し,サーバ上で共有する手法を提案する。 この設定に続いて,分散HINを用いた推薦モデルの協調トレーニングを容易にするとともに,ユーザのプライバシ保護を実現するフェデレートヘテロジニアスグラフニューラルネットワーク(FedHGNN)ベースのフレームワークを提案する。 具体的には、HINをベースとしたフェデレーションレコメンデーション(FedRec)のプライバシ定義を、プライベートHIN内のユーザ-イテムインタラクションと、共有HINからのユーザの高次パターンを保護することを目的として、差分プライバシの観点から形式化する。 破れたメタパスに基づくセマンティクスを回復し、提案したプライバシー対策を確実にするために、ユーザの高次パターンと関連するユーザ-イテムインタラクションを局所的に乱すセマンティクス保存ユーザインタラクションパブリッシング手法を精巧に設計する。 次に,ノードレベルのアグリゲーションとセマンティックレベルのアグリゲーションを行い,回復したセマンティクスをキャプチャするHGNNモデルを提案する。 4つのデータセットに対する大規模な実験により、我々のモデルは、合理的なプライバシー予算の下で既存の手法(HR@10では最大34%、NDCG@10では42%)よりも優れています。

関連論文リスト

• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。 提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• 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)
• Vertical Federated Graph Neural Network for Recommender System [1.7802147489386633]
  グラフニューラルネットワーク(GNN)は、フェデレーションレコメンデータシステムにとって有望なアプローチになりつつある。 本研究は, VerFedGNN と呼ばれる垂直結合型 GNN ベースのリコメンデータシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-10T08:39:26Z)
• 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)
• Heterogeneous Graph Neural Network for Privacy-Preserving Recommendation [25.95411320126426]
  ソーシャルネットワークは、ディープラーニングの技術進歩を伴う異種グラフニューラルネットワーク(HGNN)であると考えられている。 本稿では,HeteDPと呼ばれる差分プライバシー機構に基づく,新しい異種グラフニューラルネットワークのプライバシ保存手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:41:02Z)
• 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)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• Federating Recommendations Using Differentially Private Prototypes [16.29544153550663]
  生データを収集せずにグローバルおよびローカルなプライベートモデルを学習するための新しいフェデレーションアプローチを提案する。 通信を2ラウンドだけ必要とすることで、通信コストを削減し、過剰なプライバシー損失を回避することができます。 本稿では,グローバルモデルの局所的適応により,集中行列分解に基づくレコメンデータシステムモデルよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-01T22:21:31Z)

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。