論文の概要: Personalized Item Embeddings in Federated Multimodal Recommendation
- arxiv url: http://arxiv.org/abs/2410.08478v1
- Date: Fri, 11 Oct 2024 03:10:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-14 13:32:41.089864
- Title: Personalized Item Embeddings in Federated Multimodal Recommendation
- Title(参考訳): フェデレーション型マルチモーダルレコメンデーションにおけるパーソナライズされた項目埋め込み
- Authors: Zhiwei Li, Guodong Long, Jing Jiang, Chengqi Zhang,
- Abstract要約: 我々はFedMRと呼ばれる新しいFederated Multimodal Recommendation Systemを提案する。
FedMRは、サーバ側の基盤モデルを利用して、アイテムに関連する画像やテキストなどのマルチモーダルデータをエンコードする。
実世界の4つのマルチモーダル・レコメンデーション・データセットに対する実験により,FedMRの有効性が示された。
- 参考スコア(独自算出の注目度): 37.52127488593226
- License:
- Abstract: Federated recommendation systems play a crucial role in protecting user privacy. However, existing methods primarily rely on ID-based item embeddings, overlooking the rich multimodal information of items. To address this limitation, we propose a novel Federated Multimodal Recommendation System called FedMR. FedMR leverages a foundation model on the server side to encode multimodal data, such as images and text, associated with items. To tackle the challenge of data heterogeneity caused by varying user preferences, FedMR introduces a Mixing Feature Fusion Module on the client. This module dynamically adjusts the weights of different fusion strategies based on user interaction history, generating personalized item embeddings that capture fine-grained user preferences. FedMR is compatible with existing ID-based federated recommendation systems, improving their performances without modifying the original framework. Our experiments on four real-world multimodal recommendation datasets demonstrate the effectiveness of FedMR. Our code is available at https://anonymous.4open.science/r/FedMR.
- Abstract(参考訳): フェデレートされたレコメンデーションシステムは、ユーザのプライバシを保護する上で重要な役割を果たす。
しかし、既存の手法は主にIDベースのアイテム埋め込みに依存しており、アイテムの豊富なマルチモーダル情報を見下ろしている。
この制限に対処するため,FedMRと呼ばれる新しいFederated Multimodal Recommendation Systemを提案する。
FedMRは、サーバ側の基盤モデルを利用して、アイテムに関連する画像やテキストなどのマルチモーダルデータをエンコードする。
ユーザの好みの異なるデータの不均一性に対処するため、FedMRはMixing Feature Fusion Moduleをクライアントに導入した。
このモジュールは、ユーザインタラクション履歴に基づいて異なる融合戦略の重みを動的に調整し、きめ細かいユーザ好みをキャプチャするパーソナライズされたアイテム埋め込みを生成する。
FedMRは既存のID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と互換性があり、オリジナルのフレームワークを変更することなくパフォーマンスを改善している。
実世界の4つのマルチモーダル・レコメンデーション・データセットに対する実験により,FedMRの有効性が示された。
私たちのコードはhttps://anonymous.4open.science/r/FedMRで利用可能です。
関連論文リスト
- FedRA: A Random Allocation Strategy for Federated Tuning to Unleash the
Power of Heterogeneous Clients [50.13097183691517]
実世界のフェデレーションシナリオでは、様々な計算と通信資源を持つ多種多様なクライアントが存在することが多い。
本稿では,新しいフェデレーションチューニングアルゴリズムであるFedRAを提案する。
各通信ラウンドにおいて、FedRAはランダムにアロケーション行列を生成する。
アダプタを用いてアロケーション行列とファインチューンに基づいて、元のモデルから少数のレイヤを再編成する。
論文 参考訳(メタデータ) (2023-11-19T04:43:16Z) - MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳(メタデータ) (2023-08-22T04:06:56Z) - MM-GEF: Multi-modal representation meet collaborative filtering [43.88159639990081]
本稿では,グラフアーリーフュージョンを用いたマルチモーダルレコメンデーション MM-GEF を提案する。
MM-GEFはマルチモーダル信号と協調信号の両方から得られる構造情報を注入することにより、洗練された項目表現を学習する。
論文 参考訳(メタデータ) (2023-08-14T15:47:36Z) - Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。
本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。
また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文 参考訳(メタデータ) (2023-01-16T05:26:07Z) - FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative
Joint Matrix Factorization and Knowledge Distillation [7.621960305708476]
我々はNMF結合因子化に基づく最初の教師なしワンショットフェデレーションCF実装であるFedSPLITを提案する。
FedSPLITは、コミュニケーションの数を大幅に減らすことで、技術の現状と類似した結果を得ることができる(特定の状況では、それよりも優れている)。
論文 参考訳(メタデータ) (2022-05-04T23:42:14Z) - Shared MF: A privacy-preserving recommendation system [0.0]
本稿では,共有行列分解方式であるSharedMFを提案する。
まず、分散レコメンデーションシステムを構築し、その後、ローカルデータのプライバシを保護するためにシークレット共有技術を使用する。
論文 参考訳(メタデータ) (2020-08-18T06:19:38Z) - Meta Matrix Factorization for Federated Rating Predictions [84.69112252208468]
フェデレートされたレコメンデーターシステムは、従来のレコメンデーターシステムよりもプライバシー保護という点で明確なアドバンテージを持っている。
フェデレートされたレコメンデータシステムに関するこれまでの研究は、モバイル環境におけるストレージ、RAM、エネルギ、通信帯域の制限を十分に考慮していない。
本研究の目的は,モバイル環境を対象としたレーティング予測(RP)のための新しい統合学習フレームワークを設計することである。
論文 参考訳(メタデータ) (2019-10-22T16:29:51Z)
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。