論文の概要: On-Device Recommender Systems: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2401.11441v3
• Date: Wed, 06 Aug 2025 03:23:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.231489
• Title: On-Device Recommender Systems: A Comprehensive Survey
• Title（参考訳）: オンデバイスレコメンダシステム:総合的な調査
• Authors: Hongzhi Yin, Liang Qu, Tong Chen, Wei Yuan, Ruiqi Zheng, Jing Long, Xin Xia, Yuhui Shi, Chengqi Zhang,
• Abstract要約: 従来のレコメンデータシステムは、過剰なリソース消費、応答遅延、およびプライバシとセキュリティリスクに悩まされている。 デバイス上のレコメンデータシステム(デバイスRS)は、エッジデバイスの能力を活用して、集中的なデータストレージ要件を最小化する。 DeviceRSの急速な普及にもかかわらず、これらの手法を体系的に導入し、分類し、対比するタイムリーな文献レビューが明らかに欠落している。
• 参考スコア（独自算出の注目度）: 45.631205573270805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems have been widely deployed in various real-world applications to help users identify content of interest from massive amounts of information. Traditional recommender systems work by collecting user-item interaction data in a cloud-based data center and training a centralized model to perform the recommendation service. However, such cloud-based recommender systems (CloudRSs) inevitably suffer from excessive resource consumption, response latency, as well as privacy and security risks concerning both data and models. Recently, driven by the advances in storage, communication, and computation capabilities of edge devices, there has been a shift of focus from CloudRSs to on-device recommender systems (DeviceRSs), which leverage the capabilities of edge devices to minimize centralized data storage requirements, reduce the response latency caused by communication overheads, and enhance user privacy and security by localizing data processing and model training. Despite the rapid rise of DeviceRSs, there is a clear absence of timely literature reviews that systematically introduce, categorize and contrast these methods. To bridge this gap, we aim to provide a comprehensive survey of DeviceRSs, covering three main aspects: (1) the deployment and inference of DeviceRSs (2) the training and update of DeviceRSs (3) the security and privacy of DeviceRSs. Furthermore, we provide a fine-grained and systematic taxonomy of the methods involved in each aspect, followed by a discussion regarding challenges and future research directions. This is the first comprehensive survey on DeviceRSs that covers a spectrum of tasks to fit various needs. We believe this survey will help readers effectively grasp the current research status in this field, equip them with relevant technical foundations, and stimulate new research ideas for developing DeviceRSs.
• Abstract（参考訳）: リコメンダシステムは、ユーザーが大量の情報から興味のあるコンテンツを識別するのを助けるために、様々な現実世界のアプリケーションに広くデプロイされてきた。 従来のレコメンデータシステムは、クラウドベースのデータセンタでユーザとイテムのインタラクションデータを収集し、レコメンデーションサービスを実行するために集中的なモデルをトレーニングすることで機能する。 しかしながら、このようなクラウドベースのレコメンデータシステム(CloudRS)は、必然的に、過剰なリソース消費、応答遅延、およびデータとモデルの両方に関するプライバシとセキュリティリスクに悩まされている。 近年、エッジデバイスのストレージ、通信、計算能力の進歩によって、エッジデバイスの機能を活用して、集中的なデータストレージ要件を最小化し、通信オーバーヘッドによる応答レイテンシを低減し、データ処理とモデルトレーニングをローカライズすることで、ユーザのプライバシとセキュリティを向上させる、CloudRSからオンデバイスレコメンデータシステム(DeviceRS)へのフォーカスシフトが進められている。 DeviceRSの急速な普及にもかかわらず、これらの手法を体系的に導入し、分類し、対比するタイムリーな文献レビューが明らかに欠落している。 このギャップを埋めるために我々は,(1)DeviceRSの展開と推測,(2)DeviceRSのトレーニングと更新,(3)DeviceRSのセキュリティとプライバシの3つの側面を網羅した,DeviceRSの総合的な調査を行うことを目指している。 さらに,各側面に係わる手法のきめ細かな系統分類を提供し,課題と今後の研究方向性について論じる。 これは、さまざまなニーズに適合するタスクの範囲をカバーする、DeviceRSに関する最初の包括的な調査である。 この調査は、読者がこの分野の現在の研究状況を効果的に把握し、関連する技術基盤を整備し、DeviceRSを開発するための新しい研究アイデアを刺激するのに役立つと信じている。

関連論文リスト

• Small Object Detection: A Comprehensive Survey on Challenges, Techniques and Real-World Applications [0.15705429611931052]
  小型物体検出(SOD)はコンピュータビジョンにおいて重要な課題である。 ディープラーニングの最近の進歩は革新的なソリューションを導入している。 軽量ニューラルネットワーク、知識蒸留(KD)、自己教師型学習といった新興トレンドは、検出効率を改善する上で有望な方向を提供する。
  論文  参考訳（メタデータ） (2025-03-26T12:58:13Z)
• A Tutorial of Personalized Federated Recommender Systems: Recent Advances and Future Directions [19.74113941915374]
  パーソナライゼーションはレコメンデーションシステム(RecSys)の基盤となる。 FedRecSysを使えば、ユーザーは個人データをローカルに保持でき、グローバルモデルトレーニングのプライバシー感度が低いモデルパラメータのみを共有できる。 本チュートリアルでは,(1)PFedRecSysの既存研究の概要,(2)PFedRecSysの包括的分類,(3)PFedRecSysにおけるオープン課題の探求,将来的な方向性について紹介する。
  論文  参考訳（メタデータ） (2024-12-11T03:33:51Z)
• RAGGED: Towards Informed Design of Scalable and Stable RAG Systems [51.171355532527365]
  Retrieval-augmented Generation (RAG)は、外部知識を統合することで言語モデルを強化する。 RAGGEDは、RAGシステムを体系的に評価するためのフレームワークである。
  論文  参考訳（メタデータ） (2024-03-14T02:26:31Z)
• DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
  本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。 本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。 我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• 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)
• Robust Recommender System: A Survey and Future Directions [58.87305602959857]
  まず,悪質な攻撃や自然騒音に耐える現在の手法を整理するための分類法を提案する。 次に、不正検出、敵の訓練、悪意のある攻撃から守るための確実な堅牢な訓練など、各カテゴリにおける最先端の手法を検討する。 さまざまなレコメンデーションシナリオの堅牢性や,正確性や解釈可能性,プライバシ,公正性といった他の特性との相互作用について論じる。
  論文  参考訳（メタデータ） (2023-09-05T08:58:46Z)
• A Survey on Federated Recommendation Systems [40.46436329232597]
  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。
  論文  参考訳（メタデータ） (2022-12-27T08:09:45Z)
• Federated Learning for Intrusion Detection System: Concepts, Challenges and Future Directions [0.20236506875465865]
  侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。 本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
  論文  参考訳（メタデータ） (2021-06-16T13:13:04Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Recommender Systems Based on Generative Adversarial Networks: A Problem-Driven Perspective [27.11589218811911]
  GAN(Generative Adversarial Network)は、複雑な実データ分布を学習する能力の強いため、多くの分野への関心が高まっている。 本稿では,これらのモデルの分類と,それらの詳細な記述と利点を提案する。
  論文  参考訳（メタデータ） (2020-03-05T08:05:38Z)

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。