Fugu-MT 論文翻訳(概要): FedRKG: A Privacy-preserving Federated Recommendation Framework via Knowledge Graph Enhancement

論文の概要: FedRKG: A Privacy-preserving Federated Recommendation Framework via Knowledge Graph Enhancement

arxiv url: http://arxiv.org/abs/2401.11089v1
Date: Sat, 20 Jan 2024 02:38:21 GMT
ステータス: 処理完了
システム内更新日: 2024-01-23 18:07:20.939681
Title: FedRKG: A Privacy-preserving Federated Recommendation Framework via Knowledge Graph Enhancement
Title（参考訳）: FedRKG:知識グラフの強化によるプライバシ保護フェデレーション推奨フレームワーク
Authors: Dezhong Yao and Tongtong Liu and Qi Cao and Hai Jin
Abstract要約: 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。
参考スコア（独自算出の注目度）: 20.214339212091012
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated Learning (FL) has emerged as a promising approach for preserving data privacy in recommendation systems by training models locally. Recently, Graph Neural Networks (GNN) have gained popularity in recommendation tasks due to their ability to capture high-order interactions between users and items. However, privacy concerns prevent the global sharing of the entire user-item graph. To address this limitation, some methods create pseudo-interacted items or users in the graph to compensate for missing information for each client. Unfortunately, these methods introduce random noise and raise privacy concerns. In this paper, we propose FedRKG, a novel federated recommendation system, where a global knowledge graph (KG) is constructed and maintained on the server using publicly available item information, enabling higher-order user-item interactions. On the client side, a relation-aware GNN model leverages diverse KG relationships. To protect local interaction items and obscure gradients, we employ pseudo-labeling and Local Differential Privacy (LDP). Extensive experiments conducted on three real-world datasets demonstrate the competitive performance of our approach compared to centralized algorithms while ensuring privacy preservation. Moreover, FedRKG achieves an average accuracy improvement of 4% compared to existing federated learning baselines.
Abstract（参考訳）: 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。近年,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,グラフニューラルネットワーク(GNN)が推奨タスクで人気を集めている。しかし、プライバシー上の懸念は、全ユーザーアイコングラフのグローバルな共有を妨げる。この制限に対処するため、いくつかのメソッドはグラフ内の擬似相互作用アイテムやユーザーを作成し、各クライアントに欠けている情報を補う。残念なことに、これらの手法はランダムノイズを導入し、プライバシーを懸念する。本稿では,グローバルナレッジグラフ(kg)を公開情報を用いてサーバ上で構築・維持し,高次ユーザ・アイテム間インタラクションを実現する,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federated recommendation systemを提案する。クライアント側では、関係を意識したGNNモデルが多様なKG関係を利用する。局所的な相互作用項目とあいまいな勾配を保護するために、擬似ラベルと局所微分プライバシー(LDP)を用いる。 3つの実世界のデータセットで実施された大規模な実験は、プライバシー保護を確保しつつ集中型アルゴリズムと比較して、我々のアプローチの競争力を示す。さらに、FedRKGは既存のフェデレート学習ベースラインと比較して4%の精度向上を実現している。

関連論文リスト

Personalized Federated Knowledge Graph Embedding with Client-Wise Relation Graph [49.66272783945571]
クライアント関係グラフを用いた個人化フェデレーション知識グラフを提案する。 PFedEGは、近隣のクライアントから埋め込まれたエンティティを集約することで、各クライアントに対してパーソナライズされた補完知識を学習する。我々は4つのベンチマークデータセットの広範な実験を行い、その手法を最先端モデルに対して評価する。
論文参考訳（メタデータ） (2024-06-17T17:44:53Z)
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文参考訳（メタデータ） (2023-11-06T01:33:24Z)
Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation [45.39171059168941]
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。
論文参考訳（メタデータ） (2023-10-18T05:59:41Z)
Decentralized Graph Neural Network for Privacy-Preserving Recommendation [21.37022040905403]
本稿では,プライバシ保護レコメンデーションのための分散GNNであるDGRECを提案する。グラフ構成、局所勾配計算、大域勾配通過という3つの段階を含む。我々は3つの公開データセットに関する広範な実験を行い、フレームワークの一貫性のある優位性を検証する。
論文参考訳（メタデータ） (2023-08-15T23:56:44Z)
GNN4FR: A Lossless GNN-based Federated Recommendation Framework [13.672867761388675]
グラフニューラルネットワーク(GNN)はレコメンデーションシステムで広く普及している。本フレームワークは,完全高次構造情報を用いたフルグラフ学習を実現する。さらに、LightGCNを使ってフレームワークの例をインスタンス化し、その等価性を示す。
論文参考訳（メタデータ） (2023-07-25T16:55:17Z)
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)
Graph Federated Learning with Hidden Representation Sharing [33.01999333117515]
グラフの学習 (Learning on Graphs, LoG) は、各クライアントがローカルデータが不十分な場合、マルチクライアントシステムで広く利用されている。フェデレートラーニング(FL)では、モデルをマルチクライアントシステムでトレーニングし、クライアント間で生データを共有する必要がある。本稿では,まず,マルチクライアントシステムにおいてLoG FLを統一するグラフフェデレーション学習(GFL)問題を定式化し,次に隠れ表現の共有を提案する。
論文参考訳（メタデータ） (2022-12-23T05:44:27Z)
FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
論文参考訳（メタデータ） (2022-10-25T01:08:20Z)
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)
Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。