論文の概要: Blockchain-based Federated Recommendation with Incentive Mechanism

• arxiv url: http://arxiv.org/abs/2409.01563v1
• Date: Tue, 03 Sep 2024 03:00:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 16:25:13.381055
• Title: Blockchain-based Federated Recommendation with Incentive Mechanism
• Title（参考訳）: インセンティブメカニズムによるブロックチェーンに基づくフェデレーション勧告
• Authors: Jianhai Chen, Yanlin Wu, Dazhong Rong, Guoyao Yu, Lingqi Jiang, Zhenguang Liu, Peng Zhou, Rui Shen,
• Abstract要約: ブロックチェーンベースのフェデレーションレコメンデーションシステムを提案し、より信頼性が高く、セキュアで、効率的なフェデレーションレコメンデーションサービスを促進するインセンティブメカニズムを提案する。 実験結果から,我々の提案するインセンティブ機構は,より優れたトレーニングデータを持つ顧客を惹きつけ,より低コストで連邦政府の勧告に携わることが示唆された。
• 参考スコア（独自算出の注目度）: 14.433189296632879
• License:
• Abstract: Nowadays, federated recommendation technology is rapidly evolving to help multiple organisations share data and train models while meeting user privacy, data security and government regulatory requirements. However, federated recommendation increases customer system costs such as power, computational and communication resources. Besides, federated recommendation systems are also susceptible to model attacks and data poisoning by participating malicious clients. Therefore, most customers are unwilling to participate in federated recommendation without any incentive. To address these problems, we propose a blockchain-based federated recommendation system with incentive mechanism to promote more trustworthy, secure, and efficient federated recommendation service. First, we construct a federated recommendation system based on NeuMF and FedAvg. Then we introduce a reverse auction mechanism to select optimal clients that can maximize the social surplus. Finally, we employ blockchain for on-chain evidence storage of models to ensure the safety of the federated recommendation system. The experimental results show that our proposed incentive mechanism can attract clients with superior training data to engage in the federal recommendation at a lower cost, which can increase the economic benefit of federal recommendation by 54.9\% while improve the recommendation performance. Thus our work provides theoretical and technological support for the construction of a harmonious and healthy ecological environment for the application of federal recommendation.
• Abstract（参考訳）: 現在、フェデレーションレコメンデーション技術は急速に進化しており、複数の組織がユーザーのプライバシー、データセキュリティ、政府の規制要件を満たしながら、データを共有し、モデルを訓練するのに役立つ。 しかし、フェデレートされたレコメンデーションは、電力、計算、通信資源などの顧客システムコストを増大させる。 さらに、フェデレートされたレコメンデーションシステムは、悪意のあるクライアントに参加することによって、攻撃やデータ中毒のモデルにも影響される。 したがって、ほとんどの顧客はインセンティブなしでフェデレーションレコメンデーションに参加することを望んでいません。 これらの問題に対処するために、より信頼性が高く、セキュアで、効率的なフェデレーションレコメンデーションサービスを促進するインセンティブ機構を備えたブロックチェーンベースのフェデレーションレコメンデーションシステムを提案する。 まず、NeuMFとFedAvgに基づくフェデレーションレコメンデーションシステムを構築する。 次に、社会的余剰を最大化できる最適なクライアントを選択するために、逆オークション機構を導入する。 最後に、フェデレートされたレコメンデーションシステムの安全性を確保するために、モデルのオンチェーンエビデンスストレージにブロックチェーンを使用します。 実験結果から,提案したインセンティブ機構は,より優れたトレーニングデータを持つ顧客を惹きつけ,より低コストで連邦レコメンデーションを行うことで,連邦レコメンデーションの経済的利益を54.9%向上し,レコメンデーション性能の向上を図っている。 このように、我々の研究は、連邦勧告の適用のための調和と健全な環境構築のための理論的および技術的支援を提供する。

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)
• Shadow-Free Membership Inference Attacks: Recommender Systems Are More Vulnerable Than You Thought [43.490918008927]
  本稿では,ユーザによる会員推論の推奨を直接活用するシャドウフリーMIAを提案する。 我々の攻撃は、ベースラインよりも偽陽性率の低い攻撃精度をはるかに向上させる。
  論文  参考訳（メタデータ） (2024-05-11T13:52:22Z)
• FedConPE: Efficient Federated Conversational Bandits with Heterogeneous Clients [30.174674516590105]
  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。
  論文  参考訳（メタデータ） (2024-05-05T10:28:06Z)
• 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)
• 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)
• 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)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• 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)

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。