論文の概要: A Privacy-Preserving Framework with Multi-Modal Data for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2403.03600v1
• Date: Wed, 6 Mar 2024 10:40:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 15:25:30.534294
• Title: A Privacy-Preserving Framework with Multi-Modal Data for Cross-Domain Recommendation
• Title（参考訳）: クロスドメインレコメンデーションのためのマルチモーダルデータを用いたプライバシ保護フレームワーク
• Authors: Li Wang, Lei Sang, Quangui Zhang, Qiang Wu, Min Xu
• Abstract要約: クロスドメインレコメンデーション(CDR)は、スパースデータによるターゲットドメインのレコメンデーション精度を高めることを目的としている。 本稿では,P2M2-CDRと呼ばれるクロスドメイン勧告のためのマルチモーダルデータを用いたプライバシ保護フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.33679167416221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain recommendation (CDR) aims to enhance recommendation accuracy in a target domain with sparse data by leveraging rich information in a source domain, thereby addressing the data-sparsity problem. Some existing CDR methods highlight the advantages of extracting domain-common and domain-specific features to learn comprehensive user and item representations. However, these methods can't effectively disentangle these components as they often rely on simple user-item historical interaction information (such as ratings, clicks, and browsing), neglecting the rich multi-modal features. Additionally, they don't protect user-sensitive data from potential leakage during knowledge transfer between domains. To address these challenges, we propose a Privacy-Preserving Framework with Multi-Modal Data for Cross-Domain Recommendation, called P2M2-CDR. Specifically, we first design a multi-modal disentangled encoder that utilizes multi-modal information to disentangle more informative domain-common and domain-specific embeddings. Furthermore, we introduce a privacy-preserving decoder to mitigate user privacy leakage during knowledge transfer. Local differential privacy (LDP) is utilized to obfuscate the disentangled embeddings before inter-domain exchange, thereby enhancing privacy protection. To ensure both consistency and differentiation among these obfuscated disentangled embeddings, we incorporate contrastive learning-based domain-inter and domain-intra losses. Extensive Experiments conducted on four real-world datasets demonstrate that P2M2-CDR outperforms other state-of-the-art single-domain and cross-domain baselines.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、ソースドメインの豊富な情報を活用することで、スパースデータを用いてターゲットドメインのレコメンデーション精度を高めることを目的としている。 既存のCDRメソッドは、包括的なユーザおよびアイテム表現を学ぶために、ドメイン共通およびドメイン固有の特徴を抽出する利点を強調している。 しかしながら、これらの手法は、リッチなマルチモーダル機能を無視して、単純なユーザとイテムのインタラクション情報(レーティング、クリック、ブラウジングなど)に依存することが多いため、これらのコンポーネントを効果的に切り離すことはできない。 さらに、ドメイン間の知識転送中に潜在的漏洩からユーザセンシティブなデータを保護しない。 これらの課題に対処するため,P2M2-CDRと呼ばれるクロスドメイン勧告のための多モードデータを用いたプライバシ保護フレームワークを提案する。 具体的には、まず、マルチモーダル情報を利用して、より情報に富むドメインやドメイン固有の埋め込みをアンタングルするマルチモーダルアンタングルエンコーダを設計する。 さらに,知識転送中のユーザのプライバシーリークを軽減するプライバシ保存デコーダも導入する。 ローカルディファレンシャルプライバシ(ldp)は、ドメイン間交換の前に乱れた埋め込みを隠蔽するために利用され、プライバシ保護が強化される。 これらの難解な異種埋め込みの一貫性と差別化を確保するため、コントラスト学習に基づくドメイン間およびドメイン間損失を取り入れた。 4つの実世界のデータセットで実施された大規模な実験では、P2M2-CDRは他の最先端の単一ドメインやクロスドメインのベースラインよりも優れていた。

関連論文リスト

• Coherence-guided Preference Disentanglement for Cross-domain Recommendations [71.4198675855171]
  本研究では,共有項目属性を明示的に抽出し,共有ユーザの好みを学習するためのコヒーレンス誘導型参照不整合(CoPD)手法を提案する。 実世界のデータセットで行った実験は、既存の競争ベースラインよりも提案したCoPDの優れた性能を示し、ドメイン間の推薦性能を向上させる効果を強調した。
  論文  参考訳（メタデータ） (2024-10-27T20:21:14Z)
• The Devil is in the Sources! Knowledge Enhanced Cross-Domain Recommendation in an Information Bottleneck Perspective [20.354832981118935]
  クロスドメインレコメンデーション(CDR)は、従来のレコメンデーションシステムにおけるデータ空間とコールドスタートの問題を軽減することを目的としている。 本稿では,CoTransという新しい知識強化型クロスドメインレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T06:30:44Z)
• Federated Prototype-based Contrastive Learning for Privacy-Preserving Cross-domain Recommendation [12.431227076940704]
  クロスドメインレコメンデーション(CDR)は、データ豊富なドメインから知識を転送することでスパースドメインのレコメンデーション精度を向上させることを目的としている。 既存のCDRメソッドは、ユーザプライバシの懸念を乗り越えながら、ドメイン間でのユーザとイテムのインタラクションデータの可用性を前提としています。 プライバシ保護CDRのためのFedPCL-CDRという,フェデレートされたプロトタイプベースのコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-09-05T06:59:56Z)
• Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation [18.0700584280752]
  クロスドメインレコメンデーション(CDR)は、ドメイン間で知識を伝達することで、データスパーシティの問題に対処することを目的としている。 この問題を解決するために、最近のプライバシー保護型CDRモデルが提案されている。 本稿では,新しいFPM(Federated User Preference Modeling)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-26T23:29:03Z)
• FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning [17.497009723665116]
  本稿では,不整合表現学習を用いたクロスドメインシーケンシャルレコメンデーションフレームワークであるFedDCSRを提案する。 本稿では,SRD(Inter-Intra Domain Sequence Expression Disentanglement)と呼ばれるアプローチを導入し,ユーザシークエンス機能をドメイン共有およびドメイン排他的特徴に分解する。 さらに、ユーザシーケンス上でデータ拡張を行うことで、よりリッチなドメイン排他的特徴を学習するためのドメイン内コントラッシブインフォマックス(CIM)戦略を設計する。
  論文  参考訳（メタデータ） (2023-09-15T14:23:20Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• Disentangled Unsupervised Image Translation via Restricted Information Flow [61.44666983942965]
  多くの最先端のメソッドは、所望の共有vs固有の分割をアーキテクチャにハードコードする。 帰納的アーキテクチャバイアスに依存しない新しい手法を提案する。 提案手法は,2つの合成データセットと1つの自然なデータセットに対して一貫した高い操作精度を実現する。
  論文  参考訳（メタデータ） (2021-11-26T00:27:54Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)

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。