Fugu-MT 論文翻訳(概要): Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation

論文の概要: Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation

arxiv url: http://arxiv.org/abs/2408.14689v1
Date: Mon, 26 Aug 2024 23:29:03 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-10 16:53:37.141951
Title: Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation
Title（参考訳）: プライバシ保護クロスドメイン勧告のためのフェデレーションユーザ嗜好モデル
Authors: Li Wang, Shoujin Wang, 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、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。
参考スコア（独自算出の注目度）: 18.0700584280752
License:
Abstract: Cross-domain recommendation (CDR) aims to address the data-sparsity problem by transferring knowledge across domains. Existing CDR methods generally assume that the user-item interaction data is shareable between domains, which leads to privacy leakage. Recently, some privacy-preserving CDR (PPCDR) models have been proposed to solve this problem. However, they primarily transfer simple representations learned only from user-item interaction histories, overlooking other useful side information, leading to inaccurate user preferences. Additionally, they transfer differentially private user-item interaction matrices or embeddings across domains to protect privacy. However, these methods offer limited privacy protection, as attackers may exploit external information to infer the original data. To address these challenges, we propose a novel Federated User Preference Modeling (FUPM) framework. In FUPM, first, a novel comprehensive preference exploration module is proposed to learn users' comprehensive preferences from both interaction data and additional data including review texts and potentially positive items. Next, a private preference transfer module is designed to first learn differentially private local and global prototypes, and then privately transfer the global prototypes using a federated learning strategy. These prototypes are generalized representations of user groups, making it difficult for attackers to infer individual information. Extensive experiments on four CDR tasks conducted on the Amazon and Douban datasets validate the superiority of FUPM over SOTA baselines. Code is available at https://github.com/Lili1013/FUPM.
Abstract（参考訳）: 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。既存のCDRメソッドは一般的に、ユーザとイテムのインタラクションデータがドメイン間で共有可能であると仮定し、プライバシの漏洩につながる。近年,この問題を解決するためにプライバシ保護型CDR(PPCDR)モデルが提案されている。しかし、主にユーザとイテムのインタラクション履歴から学習した単純な表現を転送し、他の有用なサイド情報を見渡すことで、ユーザの嗜好を不正確なものにしている。さらに、プライバシを保護するために、ドメイン間で異なるプライベートなユーザとイテムのインタラクションマトリックスや埋め込みを転送する。しかし、これらの手法は、攻撃者が元のデータを推測するために外部情報を利用するため、限られたプライバシー保護を提供する。これらの課題に対処するため、我々は新しいFederated User Preference Modeling(FUPM)フレームワークを提案する。 FUPMでは,インタラクションデータとレビューテキストや潜在的肯定項目を含む追加データの両方から,ユーザの包括的な嗜好を学習するための,新たな総合的嗜好探索モジュールが提案されている。次に,個人の嗜好伝達モジュールは,まずローカルとグローバルの異なるプロトタイプを学習し,その後,フェデレートした学習戦略を用いてグローバルなプロトタイプをプライベートに転送するように設計されている。これらのプロトタイプはユーザグループの一般化された表現であり、攻撃者が個々の情報を推測することは困難である。 AmazonとDoubanのデータセットで実施された4つのCDRタスクに関する大規模な実験は、SOTAベースラインよりもFUPMの方が優れていることを検証している。コードはhttps://github.com/Lili1013/FUPMで入手できる。

関連論文リスト

Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
論文参考訳（メタデータ） (2024-08-16T05:49:14Z)
Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
論文参考訳（メタデータ） (2024-06-24T10:02:24Z)
Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
論文参考訳（メタデータ） (2024-06-20T13:54:32Z)
Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。従来の偽造検出手法は、データを直接集中的に訓練する。本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文参考訳（メタデータ） (2024-06-17T02:20:30Z)
A Privacy-Preserving Framework with Multi-Modal Data for Cross-Domain Recommendation [13.33679167416221]
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。
論文参考訳（メタデータ） (2024-03-06T10:40:08Z)
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)
PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
論文参考訳（メタデータ） (2023-10-03T22:37:01Z)
FedSIS: Federated Split Learning with Intermediate Representation Sampling for Privacy-preserving Generalized Face Presentation Attack Detection [4.1897081000881045]
目に見えないドメイン/アタックへの一般化の欠如は、FacePAD(face presentation attack detection)アルゴリズムのアキレスヒールである。本研究では、プライバシ保護ドメインの一般化のために、中間表現サンプリング(FedSIS)を用いたFederated Split Learningと呼ばれる新しいフレームワークを導入する。
論文参考訳（メタデータ） (2023-08-20T11:49:12Z)
RecUP-FL: Reconciling Utility and Privacy in Federated Learning via User-configurable Privacy Defense [9.806681555309519]
フェデレートラーニング(FL)は、クライアントがプライベートデータを共有せずに、協力的にモデルをトレーニングすることを可能にする。近年の研究では、共有勾配によってプライベート情報が漏洩する可能性があることが示されている。本稿では、ユーザ指定の機密属性により焦点を絞ることができる、ユーザ設定可能なプライバシ保護(RecUP-FL)を提案する。
論文参考訳（メタデータ） (2023-04-11T10:59:45Z)
TIPRDC: Task-Independent Privacy-Respecting Data Crowdsourcing Framework for Deep Learning with Anonymized Intermediate Representations [49.20701800683092]
本稿では,匿名化中間表現を用いたタスク非依存型プライバシ参照データクラウドソーシングフレームワークTIPRDCを提案する。このフレームワークの目的は、中間表現からプライバシー情報を隠蔽できる機能抽出器を学習することであり、データコレクターの生データに埋め込まれた元の情報を最大限に保持し、未知の学習タスクを達成することである。
論文参考訳（メタデータ） (2020-05-23T06:21:26Z)
Federating Recommendations Using Differentially Private Prototypes [16.29544153550663]
生データを収集せずにグローバルおよびローカルなプライベートモデルを学習するための新しいフェデレーションアプローチを提案する。通信を2ラウンドだけ必要とすることで、通信コストを削減し、過剰なプライバシー損失を回避することができます。本稿では,グローバルモデルの局所的適応により,集中行列分解に基づくレコメンデータシステムモデルよりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2020-03-01T22:21:31Z)

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。