論文の概要: Dynamic Fusion Strategies for Federated Multimodal Recommendations

• arxiv url: http://arxiv.org/abs/2410.08478v3
• Date: Sun, 18 May 2025 06:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.26235
• Title: Dynamic Fusion Strategies for Federated Multimodal Recommendations
• 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のための動的核融合戦略
• Authors: Zhiwei Li, Guodong Long, Jing Jiang, Chengqi Zhang,
• Abstract要約: We propose FedMR, a novel multimodal FedRec framework based on the Mixing Feature Fusion Module (MFFM)。 1)サーバサイドの集中型マルチメディアコンテンツ処理は、事前訓練されたモデルを使用してリッチで共有されたアイテムコンテキストを提供する。 MFFMは、クライアント固有のインタラクションパターンに基づいて、これらのサーバが提供するマルチモーダル表現を動的に適応し、効果的にレコメンデーションを調整し、異なるモダリティに対してユーザの嗜好の不均一性を解消する。
• 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: Delivering deeply personalized recommendations necessitates understanding user interactions with diverse multimedia features, but achieving this within the constraints of Federated Recommendation Systems (FedRec) is severely hampered by communication bottlenecks, user heterogeneity, and the complexity of privacy-preserving multimodal fusion. To this end, we propose FedMR, a novel multimodal FedRec framework centered around the Mixing Feature Fusion Module (MFFM). FedMR employs a two-stage process: (1) Server-side centralized multimedia content processing provides rich, shared item context using pre-trained models, mitigating limitations from client sparsity and resource constraints efficiently. (2) Client-Side Personalized Refinement, where the MFFM dynamically adapts these server-provided multimodal representations based on client-specific interaction patterns, effectively tailoring recommendations and resolving heterogeneity in user preferences towards different modalities. Extensive experiments validate that FedMR seamlessly enhances existing ID-based FedRecs, effectively transforming them into high-performing federated multimodal systems.
• Abstract（参考訳）: 深くパーソナライズされたレコメンデーションを提供することは、多様なマルチメディア機能とのユーザインタラクションを理解する必要があるが、Federated Recommendation Systems(FedRec)の制約内でこれを達成することは、通信ボトルネック、ユーザの不均一性、プライバシー保護のマルチモーダル融合の複雑さによって著しく妨げられている。 この目的のために我々は,Mixing Feature Fusion Module (MFFM)を中心に,新しいマルチモーダルFedRecフレームワークであるFedMRを提案する。 1)サーバサイドの集中型マルチメディアコンテンツ処理は、事前訓練されたモデルを使用してリッチで共有されたアイテムコンテキストを提供する。 2) クライアント側パーソナライズドリファインメントでは,MFFMがクライアント固有のインタラクションパターンに基づいてサーバが提供するマルチモーダル表現を動的に適応させ,提案を効果的に調整し,異なるモダリティに向けてユーザの嗜好の不均一性を解消する。 大規模な実験により、FedMRは既存のIDベースのFedRecsをシームレスに拡張し、効果的にハイパフォーマンスなフェデレーションマルチモーダルシステムに変換する。

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。