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
- Principled RLHF from Heterogeneous Feedback via Personalization and Preference Aggregation [23.337350061258903]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムを人間の価値と整合させる効果的な手法である。
本稿では、人間の嗜好に固有の異質性や、フィードバックの提供における潜在的な戦略的行動から、この問題に対処することに焦点を当てる。
本研究では, 個人化に基づく手法と集約に基づく手法の2つの枠組みを提案する。
論文 参考訳(メタデータ) (2024-04-30T23:57:23Z) - 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) - Data-Free Diversity-Based Ensemble Selection For One-Shot Federated
Learning in Machine Learning Model Market [2.9046424358155236]
単発フェデレーション学習によって生成されるモデルのアンサンブル選択問題に対処するため,DeDESと呼ばれるデータ自由多様性に基づく新しい手法を提案する。
提案手法は、5つのデータセットと4つの異なるモデル構造よりも優れた性能と高い効率を実現することができる。
論文 参考訳(メタデータ) (2023-02-23T02:36:27Z) - 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) - Simultaneous Relevance and Diversity: A New Recommendation Inference
Approach [81.44167398308979]
本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。
我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。
公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
論文 参考訳(メタデータ) (2020-09-27T22:20:12Z) - 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。