論文の概要: Heterogeneity-aware Cross-school Electives Recommendation: a Hybrid Federated Approach

• arxiv url: http://arxiv.org/abs/2402.12202v1
• Date: Mon, 19 Feb 2024 15:06:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 15:58:32.301778
• Title: Heterogeneity-aware Cross-school Electives Recommendation: a Hybrid Federated Approach
• Title（参考訳）: 異種性に配慮したクロススクール選抜:ハイブリッドフェデレーションアプローチ
• Authors: Chengyi Ju and Jiannong Cao and Yu Yang and Zhen-Qun Yang and Ho Man Lee
• Abstract要約: 異種対応ハイブリッドフェデレータシステムであるHFRecを提案する。 我々は、適応的な学習設定を持つ個別の学校ベースのモデルを訓練し、フェデレートされたスキームの下で調整することを推奨する。 私たちのHFRecモデルは、オープンソースのデータセットと実世界のデータセットの両方で最先端のモデルよりも優れているため、プライバシを維持しながらパーソナライズされた選択レコメンデーションを提供することの有効性を示しています。
• 参考スコア（独自算出の注目度）: 11.838400501725923
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the era of modern education, addressing cross-school learner diversity is crucial, especially in personalized recommender systems for elective course selection. However, privacy concerns often limit cross-school data sharing, which hinders existing methods' ability to model sparse data and address heterogeneity effectively, ultimately leading to suboptimal recommendations. In response, we propose HFRec, a heterogeneity-aware hybrid federated recommender system designed for cross-school elective course recommendations. The proposed model constructs heterogeneous graphs for each school, incorporating various interactions and historical behaviors between students to integrate context and content information. We design an attention mechanism to capture heterogeneity-aware representations. Moreover, under a federated scheme, we train individual school-based models with adaptive learning settings to recommend tailored electives. Our HFRec model demonstrates its effectiveness in providing personalized elective recommendations while maintaining privacy, as it outperforms state-of-the-art models on both open-source and real-world datasets.
• Abstract（参考訳）: 近代教育の時代には、特に選択科目選択のためのパーソナライズされた推薦システムにおいて、学校間学習者の多様性に対処することが不可欠である。 しかし、プライバシの懸念はしばしば、学校間のデータ共有を制限するため、既存のメソッドがスパースデータをモデル化し、効果的に異質性に対処する能力を妨げる。 そこで本研究では,相互選抜型進路推薦のためのヘテロジェネリティアウェアハイブリッドフェデレーションレコメンダシステムhfrecを提案する。 提案モデルでは,学校ごとの異種グラフを構築し,学生間のインタラクションや過去の振る舞いを取り入れ,文脈情報とコンテンツ情報を統合する。 異質性認識表現をキャプチャするアテンション機構を設計する。 さらに,フェデレーテッド・スキームでは,個別の学校ベースモデルに適応学習設定を施し,適応型選択語を推薦する。 当社のhfrecモデルは、オープンソースのデータセットと現実のデータセットの両方で最先端のモデルを上回るため、プライバシを維持しながらパーソナライズされた選択型の推奨を提供することで、その効果を示しています。

関連論文リスト

• A Pre-Trained Graph-Based Model for Adaptive Sequencing of Educational Documents [8.986349423301863]
  大規模なオープンオンラインコース(MOOC)は、教育をよりアクセスしやすいものにするために大きく貢献している。 多くのMOOCは、個々の学習者の多様なニーズや背景に対処できない、厳格で一大の全ての構造を維持している。 本研究では,専門家のアノテーションを使わずに機能するパスパーソナライズ学習のための,新たなデータ効率フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T12:29:06Z)
• Personalized Federated Learning for Cross-view Geo-localization [49.40531019551957]
  本稿では,フェデレート・ラーニング (FL) とクロスビュー・イメージ・ジオローカライゼーション (CVGL) 技術を組み合わせた方法論を提案する。 提案手法では, クライアントが粗い特徴抽出器のみを共有しながら, 局所環境に特有のきめ細かな特徴を保持する, 粗い特徴抽出器を実装している。 その結果,フェデレートCVGL法は,データプライバシを維持しつつ,集中的なトレーニングに近い性能を実現することができた。
  論文  参考訳（メタデータ） (2024-11-07T13:25:52Z)
• Addressing Skewed Heterogeneity via Federated Prototype Rectification with Personalization [35.48757125452761]
  フェデレートラーニング(Federated Learning)は、複数の分散デバイス間の協調モデルトレーニングを容易にするために設計された、効率的なフレームワークである。 連合学習の重要な課題は、データレベルの不均一性、すなわち、スキュードまたはロングテールのプライベートデータの分散である。 本稿では,フェデレーション・パーソナライゼーションとフェデレーション・プロトタイプ・レクティフィケーションの2つの部分からなる新しいフェデレーション・プロトタイプ・レクティフィケーションを提案する。
  論文  参考訳（メタデータ） (2024-08-15T06:26:46Z)
• Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization [0.0]
  本稿では、協調フィルタリング(CF)とコンテンツベースフィルタリング(CBF)を組み合わせたハイブリッドRSを提案する。 遺伝的アルゴリズム(GA)は最適なRS構成を自動的に発見するために開発された。 実験結果から, コース推薦における最も関連性の高い基準について検討した。
  論文  参考訳（メタデータ） (2024-02-13T11:02:12Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Selective Knowledge Sharing for Privacy-Preserving Federated Distillation without A Good Teacher [52.2926020848095]
  フェデレーション学習は、ホワイトボックス攻撃に脆弱で、異種クライアントへの適応に苦慮している。 本稿では,選択的FD(Selective-FD)と呼ばれるFDのための選択的知識共有機構を提案する。
  論文  参考訳（メタデータ） (2023-04-04T12:04:19Z)
• Non-IID data and Continual Learning processes in Federated Learning: A long road ahead [58.720142291102135]
  フェデレートラーニング(Federated Learning)は、複数のデバイスや機関が、データをプライベートに保存しながら、機械学習モデルを協調的にトレーニングすることを可能にする、新しいフレームワークである。 本研究では,データの統計的不均一性を正式に分類し,それに直面することのできる最も顕著な学習戦略をレビューする。 同時に、継続学習のような他の機械学習フレームワークからのアプローチを導入し、データの不均一性にも対処し、フェデレートラーニング設定に容易に適応できるようにします。
  論文  参考訳（メタデータ） (2021-11-26T09:57:11Z)
• Recent Advances in Heterogeneous Relation Learning for Recommendation [5.390295867837705]
  異種関係学習に焦点を当てたレコメンデーションフレームワークの開発について概説する。 このタスクの目的は、不均一な関係データを潜在表現空間にマッピングすることである。 本稿では,行列分解,注意機構,グラフニューラルネットワークなど,各カテゴリの学習手法について論じる。
  論文  参考訳（メタデータ） (2021-10-07T13:32:04Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6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、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• 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)

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。