論文の概要: PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System

• arxiv url: http://arxiv.org/abs/2406.05387v1
• Date: Sat, 08 Jun 2024 07:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 22:38:20.756696
• Title: PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System
• Title（参考訳）: PTF-FSR:パラメータトランスミッションフリーフェデレーションシーケンスレコメンダシステム
• Authors: Wei Yuan, Chaoqun Yang, Liang Qu, Quoc Viet Hung Nguyen, Guanhua Ye, Hongzhi Yin,
• Abstract要約: 本稿では,パラメータを含まないフェデレーション・シーケンシャル・レコメンデーション・フレームワーク(PTF-FSR)を提案する。 PTF-FSRは、サービスプロバイダやシステムユーザのプライバシニーズを満たすために、モデルとデータのプライバシ保護の両方を保証する。
• 参考スコア（独自算出の注目度）: 42.79538136366075
• License:
• Abstract: Sequential recommender systems have made significant progress. Recently, due to increasing concerns about user data privacy, some researchers have implemented federated learning for sequential recommendation, a.k.a., Federated Sequential Recommender Systems (FedSeqRecs), in which a public sequential recommender model is shared and frequently transmitted between a central server and clients to achieve collaborative learning. Although these solutions mitigate user privacy to some extent, they present two significant limitations that affect their practical usability: (1) They require a globally shared sequential recommendation model. However, in real-world scenarios, the recommendation model constitutes a critical intellectual property for platform and service providers. Therefore, service providers may be reluctant to disclose their meticulously developed models. (2) The communication costs are high as they correlate with the number of model parameters. This becomes particularly problematic as the current FedSeqRec will be inapplicable when sequential recommendation marches into a large language model era. To overcome the above challenges, this paper proposes a parameter transmission-free federated sequential recommendation framework (PTF-FSR), which ensures both model and data privacy protection to meet the privacy needs of service providers and system users alike. Furthermore, since PTF-FSR only transmits prediction results under privacy protection, which are independent of model sizes, this new federated learning architecture can accommodate more complex and larger sequential recommendation models. Extensive experiments conducted on three widely used recommendation datasets, employing various sequential recommendation models from both ID-based and ID-free paradigms, demonstrate the effectiveness and generalization capability of our proposed framework.
• Abstract（参考訳）: 一連のレコメンデーションシステムは大きな進歩を遂げた。 近年,ユーザデータのプライバシに関する懸念が高まっているため,FedSeqRecs(Federated Sequential Recommender Systems,FedSeqRecs)と呼ばれるフェデレートラーニングを実施している研究者もいる。 これらのソリューションはユーザのプライバシをある程度軽減するが,ユーザビリティに影響を及ぼす2つの重要な制限を提示する。 しかし、現実のシナリオでは、レコメンデーションモデルはプラットフォームやサービスプロバイダにとって重要な知的財産権を構成する。 したがって、サービス提供者は、精巧に開発されたモデルを公開することに消極的になるかもしれない。 2) 通信コストは, モデルパラメータの数と相関するので高い。 現在のFedSeqRecは、シーケンシャルなレコメンデーションが大きな言語モデル時代に入ると適用できないため、これは特に問題になる。 このような課題を克服するために,本論文では,サービス提供者やシステム利用者のプライバシ要件を満たすために,モデルとデータプライバシ保護の両面を確実にする,パラメータトランスミッションフリーなフェデレーション・シーケンシャルレコメンデーション・フレームワーク(PTF-FSR)を提案する。 さらに、PTF-FSRは、モデルサイズに依存しないプライバシ保護下での予測結果のみを送信するため、この新しいフェデレーション学習アーキテクチャはより複雑でより大規模なレコメンデーションモデルに対応できる。 提案するフレームワークの有効性と一般化能力を示すために,IDベースとIDフリーの両方のパラダイムから,様々な逐次レコメンデーションモデルを用いて,広く利用されている3つのレコメンデーションデータセットに対して実施した広範囲な実験を行った。

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)
• User Consented Federated Recommender System Against Personalized Attribute Inference Attack [55.24441467292359]
  本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。 UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
  論文  参考訳（メタデータ） (2023-12-23T09:44:57Z)
• A Collaborative Filtering-Based Two Stage Model with Item Dependency for Course Recommendation [6.258986911617345]
  協調フィルタリング(CF)モデルは、推奨精度が高いため、おそらく最も成功したモデルである。 本稿では、CFベースのモデルの利用をコースレコメンデーションのタスクに拡張する。 既存のCFモデルを適用してコースレコメンデーションエンジンを構築する際のいくつかの課題を指摘した。
  論文  参考訳（メタデータ） (2023-11-01T16:01:00Z)
• 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)
• Efficient Federated Prompt Tuning for Black-box Large Pre-trained Models [62.838689691468666]
  我々は,各ローカルデータセットを最適に活用するためのフェデレートブラックボックス・プロンプト・チューニング(Fed-BBPT)を提案する。 Fed-BBPTは、ローカルユーザーがレギュラーアグリゲーションを通じてプロンプトジェネレータを協調的に訓練するのを支援する中央サーバーに重点を置いている。 大規模な微調整とは対照的に、Fed-BBPTは、PTMストレージとローカルマシンの微調整に関連するメモリの課題を、十分にサイドステップで解決している。
  論文  参考訳（メタデータ） (2023-10-04T19:30:49Z)
• FedDD: Toward Communication-efficient Federated Learning with Differential Parameter Dropout [13.056472977860976]
  フェデレートラーニング(FL)では、頻繁にモデルパラメータを交換する必要があるため、長い通信遅延が発生する。 差分パラメータDropout (FedDD) を用いたフェデレーション学習手法を提案する。 FedDDは2つの主要なモジュールで構成されている。
  論文  参考訳（メタデータ） (2023-08-31T16:10:22Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• A Federated Multi-View Deep Learning Framework for Privacy-Preserving Recommendations [25.484225182093947]
  プライバシー保護の勧告は、ユーザーのプライバシーとデータセキュリティに対する懸念から、勢いを増している。 FedRecアルゴリズムは、パーソナライズされたプライバシー保護レコメンデーションを実現するために提案されている。 本稿では,汎用コンテンツベースフェデレーション型マルチビューレコメンデーションフレームワークFLMV-DSSMを提案する。
  論文  参考訳（メタデータ） (2020-08-25T04:19:40Z)
• A Generic Network Compression Framework for Sequential Recommender Systems [71.81962915192022]
  シークエンシャルレコメンデーションシステム(SRS)は,ユーザの動的関心を捉え,高品質なレコメンデーションを生成する上で重要な技術となっている。 CpRecと呼ばれる圧縮されたシーケンシャルレコメンデーションフレームワークを提案する。 大規模なアブレーション研究により、提案したCpRecは実世界のSRSデータセットにおいて最大4$sim$8倍の圧縮速度を達成できることを示した。
  論文  参考訳（メタデータ） (2020-04-21T08:40:55Z)

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。