論文の概要: Personalized Item Representations in Federated Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2410.08478v2
• Date: Mon, 14 Oct 2024 07:55:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 23:34:54.178937
• Title: Personalized Item Representations 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表現
• Authors: Zhiwei Li, Guodong Long, Jing Jiang, Chengqi Zhang,
• Abstract要約: FedMRと呼ばれるFederated Multimodal Recommendation Systemは、マルチモーダルアイテムデータをエンコードする。 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る。 4つの実世界のマルチモーダルデータセットの実験は、FedMRの有効性を示している。
• 参考スコア（独自算出の注目度）: 37.52127488593226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated recommendation systems are essential for providing personalized recommendations while protecting user privacy. However, current methods mainly rely on ID-based item embeddings, neglecting the rich multimodal information of items. To address this, we propose a Federated Multimodal Recommendation System, called FedMR. FedMR uses a foundation model on the server to encode multimodal item data, such as images and text. To handle data heterogeneity caused by user preference differences, FedMR introduces a Mixing Feature Fusion Module on each client, which adjusts fusion strategy weights based on user interaction history to generate personalized item representations that capture users' fine-grained preferences. FedMR is compatible with existing ID-based federated recommendation systems, improving performance without modifying the original framework. Experiments on four real-world multimodal datasets demonstrate FedMR's effectiveness. The 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ーを保護しながらパーソナライズされたレコメンデーションを提供するために不可欠である。 しかし、現在の手法は主に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無視している。 そこで我々はFedMRと呼ばれるFederated Multimodal Recommendation Systemを提案する。 FedMRは、画像やテキストなどのマルチモーダルアイテムデータをエンコードするために、サーバ上のファンデーションモデルを使用する。 ユーザの好みの違いによるデータの不均一性を処理するために、FedMRは各クライアントにMixing Feature Fusion Moduleを導入し、ユーザインタラクション履歴に基づいて融合戦略の重みを調整することで、ユーザの詳細な好みをキャプチャするパーソナライズされたアイテム表現を生成する。 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向上させる。 4つの実世界のマルチモーダルデータセットの実験は、FedMRの有効性を示している。 コードはhttps://anonymous.4open.science/r/FedMRで公開されている。

関連論文リスト

• Molar: Multimodal LLMs with Collaborative Filtering Alignment for Enhanced Sequential Recommendation [4.518104756199573]
  Molarは、複数のコンテンツモダリティとID情報を統合するシーケンシャルなレコメンデーションフレームワークで、協調的な信号を効果的にキャプチャする。 マルチモーダルコンテンツと協調フィルタリングの洞察をシームレスに組み合わせることで、Molarはユーザの関心事とコンテキスト意味論の両方をキャプチャし、より優れた推奨精度をもたらす。
  論文  参考訳（メタデータ） (2024-12-24T05:23:13Z)
• 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)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• 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)
• Diversely Regularized Matrix Factorization for Accurate and Aggregately Diversified Recommendation [15.483426620593013]
  DivMF(Diversely Regularized Matrix Factorization)は、多彩な推薦のための新しい行列分解法である。 我々は,DivMFが総合的に多様化した推薦において最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-19T08:49:39Z)
• 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)
• Federated Multi-view Matrix Factorization for Personalized Recommendations [53.74747022749739]
  本稿では,フェデレートされた学習フレームワークを,複数のデータソースを用いた行列分解に拡張する,フェデレートされたマルチビュー行列分解手法を提案する。 本手法では,ユーザの個人情報を中央サーバに転送することなく,マルチビューモデルを学習することができる。
  論文  参考訳（メタデータ） (2020-04-08T21:07:50Z)
• 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。