論文の概要: Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations

• arxiv url: http://arxiv.org/abs/2405.13811v1
• Date: Wed, 22 May 2024 16:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 00:01:59.824240
• Title: Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations
• Title（参考訳）: 拡散型クラウドエッジデバイス協調学習による次のPOI勧告
• Authors: Jing Long, Guanhua Ye, Tong Chen, Yang Wang, Meng Wang, Hongzhi Yin,
• Abstract要約: Next Point-of-Interest (POI)レコメンデーションは、履歴チェックインデータを活用して、ユーザの訪問する次のPOIを予測する。 従来の集中型ディープニューラルネットワーク(DNN)は、優れたPOIレコメンデーションパフォーマンスを提供するが、プライバシの懸念と制限されたタイムラインのため、課題に直面している。 プライバシとレコメンデーションのタイムラインを保証するために、フェデレートラーニング(FL)と分散アプローチを活用するオンデバイスPOIレコメンデーションが導入されている。 本稿では,新しい協調学習フレームワークであるDiffusion-based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations (DCPR)を紹介する。
• 参考スコア（独自算出の注目度）: 39.29562719543681
• License:
• Abstract: The rapid expansion of Location-Based Social Networks (LBSNs) has highlighted the importance of effective next Point-of-Interest (POI) recommendations, which leverage historical check-in data to predict users' next POIs to visit. Traditional centralized deep neural networks (DNNs) offer impressive POI recommendation performance but face challenges due to privacy concerns and limited timeliness. In response, on-device POI recommendations have been introduced, utilizing federated learning (FL) and decentralized approaches to ensure privacy and recommendation timeliness. However, these methods often suffer from computational strain on devices and struggle to adapt to new users and regions. This paper introduces a novel collaborative learning framework, Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations (DCPR), leveraging the diffusion model known for its success across various domains. DCPR operates with a cloud-edge-device architecture to offer region-specific and highly personalized POI recommendations while reducing on-device computational burdens. DCPR minimizes on-device computational demands through a unique blend of global and local learning processes. Our evaluation with two real-world datasets demonstrates DCPR's superior performance in recommendation accuracy, efficiency, and adaptability to new users and regions, marking a significant step forward in on-device POI recommendation technology.
• Abstract（参考訳）: 位置情報ベースのソーシャルネットワーク(LBSN)の急速な拡大は、ユーザーの訪問する次のPOIを予測するために、過去のチェックインデータを活用するPOI(Point-of-Interest)レコメンデーションの重要性を強調している。 従来の集中型ディープニューラルネットワーク(DNN)は、優れたPOIレコメンデーションパフォーマンスを提供するが、プライバシの懸念と制限されたタイムラインのため、課題に直面している。 これに対し、デバイス上でのPOIレコメンデーションが導入され、フェデレートラーニング(FL)と分散アプローチを活用して、プライバシとレコメンデーションのタイムラインを保証する。 しかし、これらの手法はデバイス上での計算歪みに悩まされ、新しいユーザーや地域への適応に苦慮することが多い。 本稿では,Diffusion-based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations (DCPR)を提案する。 DCPRはクラウドエッジデバイスアーキテクチャで運用されており、デバイス上の計算負担を軽減しつつ、リージョン固有の、高度にパーソナライズされたPOIレコメンデーションを提供する。 DCPRは、グローバルとローカルの学習プロセスのユニークなブレンドを通じて、デバイス上の計算要求を最小限に抑える。 2つの実世界のデータセットによる評価は、新しいユーザやリージョンに対する推奨精度、効率、適応性においてDCPRの優れたパフォーマンスを示している。

関連論文リスト

• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• Memory efficient location recommendation through proximity-aware representation [8.505840656442217]
  逐次レコメンデーション(PASR:Sequential Recommendation)のための近接認識型領域表現を提案する。 本稿では,重要サンプリングを用いた新たな損失関数を用いて,最適化時の情報的負のサンプルを強調することで,疎結合問題に対処する。 3つの実世界位置ベースソーシャルネットワーキング(LBSN)データセットを用いて評価を行い,PASRが最先端の逐次位置推薦手法を上回ることを示した。
  論文  参考訳（メタデータ） (2023-10-10T09:53:07Z)
• Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
  デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。 提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
  論文  参考訳（メタデータ） (2023-02-10T03:57:45Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Empowering Next POI Recommendation with Multi-Relational Modeling [27.27372864066066]
  位置情報ベースのソーシャルネットワーク(LBSN)は、個人レベルの位置情報関連の大規模活動と体験を提供する。 次の関心のポイント(POI)レコメンデーションは、LBSNにおける最も重要なタスクの1つである。 マルチネットワーク表現学習モジュールとの異種関係を効果的に活用する新しいフレームワークMEMOを提案する。
  論文  参考訳（メタデータ） (2022-04-24T21:51:29Z)
• Decentralized Collaborative Learning Framework for Next POI Recommendation [39.65626819903099]
  Next Point-of-Interest (POI)レコメンデーションは位置情報ベースのソーシャルネットワーク(LBSN)において必須の機能となっている。 正確なレコメンデーションには、膨大な量の履歴チェックインデータが必要であるため、位置情報に敏感なデータをクラウドサーバで処理する必要があるため、ユーザのプライバシを脅かすことになる。 本稿では,POIレコメンデーション(DCLR)のための分散協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-30T11:00:11Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation [22.705788963791445]
  Next Point-of-Interest(POI)推奨は、位置情報ベースのソーシャルネットワーク(LBSN)と交通機関の領域にまたがる長年にわたる問題である。 最近のリカレントニューラルネットワーク(RNN)に基づくアプローチは、独立したユーザ訪問シーケンスに基づいて、ローカルビューでPOI-POI関係を学習する。 本研究では,個人化されたユーザの嗜好を同時に活用し,グローバルな空間的・時間的嗜好地区における新たなPOIを探索する新しい探索・探索モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:03:42Z)

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。