論文の概要: FedPCL-CDR: A Federated Prototype-based Contrastive Learning Framework for Privacy-Preserving Cross-domain Recommendation

• arxiv url: http://arxiv.org/abs/2409.03294v2
• Date: Thu, 15 May 2025 14:06:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.004082
• Title: FedPCL-CDR: A Federated Prototype-based Contrastive Learning Framework for Privacy-Preserving Cross-domain Recommendation
• Title（参考訳）: FedPCL-CDR: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トプロトタイプベースのコントラスト学習フレームワーク
• Authors: Li Wang, 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、データ豊富なドメインから知識を転送することでスパースドメインのレコメンデーション精度を向上させることを目的としている。 既存のCDRアプローチでは、ドメイン間のユーザ-イテムインタラクションデータが公開されており、ユーザのプライバシの懸念を無視することが多い。 本稿では,FedPCL-CDRと呼ばれるプライバシ保護CDRのためのFederated Prototype-based Contrastive Learning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）: 12.90905748020945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) aims to improve recommendation accuracy in sparse domains by transferring knowledge from data-rich domains. However, existing CDR approaches often assume that user-item interaction data across domains is publicly available, neglecting user privacy concerns. Additionally, they experience performance degradation with sparse overlapping users due to their reliance on a large number of fully shared users for knowledge transfer. To address these challenges, we propose a Federated Prototype-based Contrastive Learning (CL) framework for Privacy Preserving CDR, called FedPCL-CDR. This approach utilizes non-overlapping user information and differential prototypes to improve model performance within a federated learning framework. FedPCL-CDR comprises two key modules: local domain (client) learning and global server aggregation. In the local domain, FedPCL-CDR first clusters all user data and utilizes local differential privacy (LDP) to learn differential prototypes, effectively utilizing non-overlapping user information and protecting user privacy. It then conducts knowledge transfer by employing both local and global prototypes returned from the server in a CL manner. Meanwhile, the global server aggregates differential prototypes sent from local domains to learn both local and global prototypes. Extensive experiments on four CDR tasks across Amazon and Douban datasets demonstrate that FedPCL-CDR surpasses SOTA baselines. We release our code at https://github.com/Lili1013/FedPCL CDR
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、データ豊富なドメインから知識を転送することでスパースドメインのレコメンデーション精度を向上させることを目的としている。 しかしながら、既存のCDRアプローチでは、ドメイン間のユーザ-イテムインタラクションデータが公開されており、ユーザのプライバシの懸念を無視することが多い。 さらに、知識伝達のために多くの共有ユーザに依存しているため、スパースオーバーラップしたユーザによるパフォーマンス劣化を経験する。 これらの課題に対処するため,FedPCL-CDRと呼ばれるプライバシ保護CDRのためのFederated Prototype-based Contrastive Learning (CL)フレームワークを提案する。 このアプローチでは、重複しないユーザ情報と差分プロトタイプを使用して、フェデレート学習フレームワーク内のモデルパフォーマンスを改善する。 FedPCL-CDRはローカルドメイン(クライアント)学習とグローバルサーバアグリゲーションという2つの重要なモジュールから構成される。 ローカルドメインでは、FedPCL-CDRがまずすべてのユーザデータをクラスタ化し、ローカル差分プライバシ(LDP)を使用して差分プロトタイプを学習し、重複しないユーザ情報を活用し、ユーザのプライバシを保護する。 その後、ローカルとグローバルの両方のプロトタイプをCL方式でサーバから返却して知識伝達を行う。 一方、グローバルサーバは、ローカルドメインから送られた差分プロトタイプを集約して、ローカルとグローバルの両方のプロトタイプを学ぶ。 AmazonとDoubanデータセットの4つのCDRタスクに関する大規模な実験は、FedPCL-CDRがSOTAベースラインを超えたことを示している。 コードをhttps://github.com/Lili1013/FedPCL CDRでリリースします。

関連論文リスト

• Federated Domain Generalization via Prompt Learning and Aggregation [20.933631678895765]
  フェデレーションドメイン一般化(FedDG)は、目に見えない領域におけるグローバルモデル一般化を改善することを目的としている。 既存のFedDG研究における一般的な戦略は、クライアント間でドメイン固有の知識を共有することである。 我々は、FedDGシナリオにおいて、事前学習された視覚言語モデル(VLM)を適応するための即時学習を導入する。
  論文  参考訳（メタデータ） (2024-11-15T09:26:00Z)
• Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation [18.0700584280752]
  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。
  論文  参考訳（メタデータ） (2024-08-26T23:29:03Z)
• Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
  Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。 本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という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） (2024-06-05T09:19:54Z)
• 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)
• FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling [15.159012729198619]
  我々は,ハイパーグラフ信号デカップリングを用いた新しいクロスドメイン勧告フレームワークであるFedHCDRを提案する。 本研究では,ハイパーグラフ信号デカップリング(HSD)と呼ばれる手法を導入し,ユーザ特徴をドメイン排他的・ドメイン共有的特徴に分離する。 3つの実世界のシナリオで実施された大規模な実験は、FedHCDRが既存のベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-03-05T03:40:39Z)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation [19.61356871656398]
  ドメイン間のレコメンデーションは、従来のシーケンシャルなレコメンデーションシステムにおけるデータスパリティの問題を軽減するのに役立つ。 本稿では,ドメイン間のユーザ情報を逐次レコメンデーションに組み込んだ汎用ユーザ表現(GUR)を生成するためのRecGURUアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-19T08:41:06Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Decentralised Learning from Independent Multi-Domain Labels for Person Re-Identification [69.29602103582782]
  ディープラーニングは多くのコンピュータビジョンタスクで成功している。 しかし、プライバシー問題に対する意識の高まりは、特に人物の再識別(Re-ID)において、ディープラーニングに新たな課題をもたらす。 我々は,複数のプライバシ保護されたローカルモデル(ローカルクライアント)を同時に学習することにより,汎用的なグローバルモデル(中央サーバ)を構築するための,フェデレート・パーソナライゼーション(FedReID)と呼ばれる新しいパラダイムを提案する。 このクライアントサーバ共同学習プロセスは、プライバシコントロールの下で反復的に実行されるため、分散データを共有したり、収集したりすることなく、分散学習を実現することができる。
  論文  参考訳（メタデータ） (2020-06-07T13:32:33Z)

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。