論文の概要: FedConPE: Efficient Federated Conversational Bandits with Heterogeneous Clients
- arxiv url: http://arxiv.org/abs/2405.02881v2
- Date: Thu, 20 Jun 2024 16:11:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-22 04:08:57.212463
- Title: FedConPE: Efficient Federated Conversational Bandits with Heterogeneous Clients
- Title（参考訳）: FedConPE: 異種クライアントによる効率的なフェデレーション会話帯域
- Authors: Zhuohua Li, Maoli Liu, John C. S. Lui,
- Abstract要約: FedConPE (FedConPE) は、位相除去に基づくフェデレートされた会話帯域幅アルゴリズムである。
我々は,FedConPEが累積的後悔の点において,最小限の最適値であることを示す。
また,通信コストと会話頻度の上限を設定した。
- 参考スコア（独自算出の注目度）: 30.174674516590105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversational recommender systems have emerged as a potent solution for efficiently eliciting user preferences. These systems interactively present queries associated with "key terms" to users and leverage user feedback to estimate user preferences more efficiently. Nonetheless, most existing algorithms adopt a centralized approach. In this paper, we introduce FedConPE, a phase elimination-based federated conversational bandit algorithm, where $M$ agents collaboratively solve a global contextual linear bandit problem with the help of a central server while ensuring secure data management. To effectively coordinate all the clients and aggregate their collected data, FedConPE uses an adaptive approach to construct key terms that minimize uncertainty across all dimensions in the feature space. Furthermore, compared with existing federated linear bandit algorithms, FedConPE offers improved computational and communication efficiency as well as enhanced privacy protections. Our theoretical analysis shows that FedConPE is minimax near-optimal in terms of cumulative regret. We also establish upper bounds for communication costs and conversation frequency. Comprehensive evaluations demonstrate that FedConPE outperforms existing conversational bandit algorithms while using fewer conversations.
- Abstract（参考訳）: 会話レコメンデータシステムは,ユーザの好みを効率的に抽出する強力なソリューションとして登場してきた。
これらのシステムは、ユーザに対して「キーワード」に関連するクエリを対話的に提示し、ユーザのフィードバックを活用して、ユーザの好みをより効率的に見積もる。
それでも、既存のアルゴリズムのほとんどは集中型アプローチを採用している。
本稿では,フェデレーションに基づくフェデレーション型会話包帯アルゴリズムであるFedConPEを紹介し,M$エージェントは,セキュアなデータ管理を確保しつつ,中央サーバの助けを借りて,グローバルなコンテキスト線形包帯問題を協調的に解決する。
すべてのクライアントを効果的にコーディネートし、収集したデータを集約するために、FedConPEは、アダプティブアプローチを使用して、機能空間のすべての次元における不確実性を最小化するキー用語を構築します。
さらに、FedConPEは、既存のフェデレーション線形帯域幅アルゴリズムと比較して、計算効率と通信効率の改善、およびプライバシー保護の強化を提供する。
理論的解析から,FedConPEは累積的後悔の点において最小値に近い最適値であることが示唆された。
また,通信コストと会話頻度の上限を設定した。
包括的評価は、FedConPEが既存の会話の帯域幅アルゴリズムより優れており、会話が少なくなっていることを示している。
関連論文リスト
- Communication-Efficient Federated Knowledge Graph Embedding with Entity-Wise Top-K Sparsification [49.66272783945571]
Federated Knowledge Graphs Embedding Learning (FKGE)は、パラメータのかなりのサイズと広範なコミュニケーションラウンドから生じるコミュニケーション効率の課題に直面する。
本稿では,Entity-Wise Top-K Sparsification 戦略に基づく双方向通信効率のFedSを提案する。
論文 参考訳（メタデータ） (2024-06-19T05:26:02Z) - Federated Contextual Cascading Bandits with Asynchronous Communication
and Heterogeneous Users [95.77678166036561]
繊細な通信プロトコルを用いたUPB型アルゴリズムを提案する。
同期フレームワークで達成されたものと同等のサブ線形後悔境界を与えます。
合成および実世界のデータセットに関する実証評価は、後悔と通信コストの観点から、我々のアルゴリズムの優れた性能を検証する。
論文 参考訳（メタデータ） (2024-02-26T05:31:14Z) - Towards Efficient Communication and Secure Federated Recommendation
System via Low-rank Training [5.57061856301383]
Federated Recommendation (FedRec) システムは,規制上の懸念の高まりに応じてユーザのデータを保護するためのソリューションとして登場した。
これらのシステムの大きな課題の1つは、ユーザデバイスと中央サーバ間でニューラルネットワークモデルを送信する必要性から生じる通信コストである。
我々は、ほとんどのパラメータを凍結させながら軽量なトレーニング可能なパラメータを調整するという概念を活用する、Correlated Low-rank Structure (CoLR) と呼ばれる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） (2024-01-08T09:19:39Z) - Communication-Efficient Federated Non-Linear Bandit Optimization [26.23638987873429]
汎用非線形目的関数を用いた連邦帯域最適化のための新しいアルゴリズムであるFed-GO-UCBを提案する。
いくつかの軽度の条件下では、Fed-GO-UCBが累積的後悔と通信コストの両方でサブ線形レートを達成できることを厳格に証明する。
論文 参考訳（メタデータ） (2023-11-03T03:50:31Z) - FedRec+: Enhancing Privacy and Addressing Heterogeneity in Federated
Recommendation Systems [15.463595798992621]
FedRec+は、フェデレーションレコメンデーションシステムのためのアンサンブルフレームワークである。
プライバシーを強化し、エッジユーザの通信コストを低減します。
FedRec+の最先端性能を示す実験結果が得られた。
論文 参考訳（メタデータ） (2023-10-31T05:36:53Z) - Pure Exploration in Asynchronous Federated Bandits [60.420423973886834]
マルチアームバンディットとリニアバンディットのフェデレートされた純粋な探索問題について検討し、M$エージェントが中央サーバとの通信を通じて最適なアームを協調的に識別する方法について検討した。
信頼度を固定した純粋探索のための非同期マルチアームバンディットおよび線形バンディットアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-17T06:04:00Z) - Incentivized Communication for Federated Bandits [67.4682056391551]
我々は,サーバがインセンティブを提供することでクライアントにデータを共有する動機付けを行う,フェデレートされた盗賊に対するインセンティブ付きコミュニケーション問題を導入する。
本稿では,実証可能な通信とインセンティブコスト保証により,ほぼ最適の後悔を実現する,最初のインセンティブ付き通信プロトコルであるInc-FedUCBを提案する。
論文 参考訳（メタデータ） (2023-09-21T00:59:20Z) - Federated Nearest Neighbor Machine Translation [66.8765098651988]
本稿では,FedNN(FedNN)機械翻訳フレームワークを提案する。
FedNNは1ラウンドの記憶に基づくインタラクションを活用して、異なるクライアント間で知識を共有する。
実験の結果,FedAvgと比較して,FedNNは計算コストと通信コストを著しく削減することがわかった。
論文 参考訳（メタデータ） (2023-02-23T18:04:07Z) - Federated Online Clustering of Bandits [35.21933787486559]
コンテキスト多重武装バンディット(MAB)はレコメンデーションシステムにおいて重要な意思決定問題である。
本稿では,プライバシとコミュニケーションの考慮事項を満足しつつ,全体の後悔を最小限に抑えることを目的とした,B bandit (FCLUB) 問題の連合オンラインクラスタリングについて検討する。
論文 参考訳（メタデータ） (2022-08-31T13:46:02Z) - Federated Linear Contextual Bandits [17.438169791449834]
Fed-PEは、ローカルな特徴ベクトルや生データを交換することなく、クライアント間の不均一性に対処するために提案されている。
提案アルゴリズムの有効性を,合成データセットと実世界のデータセットの両方で実証した。
論文 参考訳（メタデータ） (2021-10-27T05:18:58Z) - A Bayesian Approach to Conversational Recommendation Systems [60.12942570608859]
ベイズ的アプローチに基づく会話推薦システムを提案する。
エンターテイナーを予約するオンラインプラットフォームであるemphstagend.comへのこのアプローチの適用に基づくケーススタディについて論じる。
論文 参考訳（メタデータ） (2020-02-12T15:59:31Z)
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。