論文の概要: P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Networks

• arxiv url: http://arxiv.org/abs/2410.13905v1
• Date: Wed, 16 Oct 2024 12:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:26:10.250983
• Title: P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Networks
• Title（参考訳）: P4GCN: プライバシ保護型2要素グラフ畳み込みネットワークによる垂直フェデレーション型ソーシャルレコメンデーション
• Authors: Zheng Wang, Wanwan Wang, Yimin Huang, Zhaopeng Peng, Ziqi Yang, Cheng Wang, Xiaoliang Fan,
• Abstract要約: プライバシ保護二要素グラフ畳み込みネットワーク(P4GCN)を利用した新しい縦型ソーシャルレコメンデーション手法を提案する。 4つの実世界のデータセットの実験により、P4GCNは推奨精度で最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 17.901647467076476
• License:
• Abstract: In recent years, graph neural networks (GNNs) have been commonly utilized for social recommendation systems. However, real-world scenarios often present challenges related to user privacy and business constraints, inhibiting direct access to valuable social information from other platforms. While many existing methods have tackled matrix factorization-based social recommendations without direct social data access, developing GNN-based federated social recommendation models under similar conditions remains largely unexplored. To address this issue, we propose a novel vertical federated social recommendation method leveraging privacy-preserving two-party graph convolution networks (P4GCN) to enhance recommendation accuracy without requiring direct access to sensitive social information. First, we introduce a Sandwich-Encryption module to ensure comprehensive data privacy during the collaborative computing process. Second, we provide a thorough theoretical analysis of the privacy guarantees, considering the participation of both curious and honest parties. Extensive experiments on four real-world datasets demonstrate that P4GCN outperforms state-of-the-art methods in terms of recommendation accuracy. The code is available at https://github.com/WwZzz/P4GCN.
• Abstract（参考訳）: 近年,ソーシャルレコメンデーションシステムにおいてグラフニューラルネットワーク(GNN)が広く利用されている。 しかし、現実のシナリオは、しばしばユーザーのプライバシーとビジネス上の制約に関連する課題を示し、他のプラットフォームから価値のあるソーシャル情報への直接アクセスを阻害する。 行列分解に基づくソーシャルレコメンデーションをソーシャルデータに直接アクセスせずに取り組んだ既存手法は多くあるが、類似した条件下でのGNNベースのフェデレーション社会レコメンデーションモデルの開発はいまだに未検討である。 この問題に対処するために,プライバシ保護二要素グラフ畳み込みネットワーク(P4GCN)を活用して,センシティブなソーシャル情報への直接アクセスを必要とせず,レコメンデーションの精度を高めるための,新たな垂直型ソーシャルレコメンデーション手法を提案する。 まず,コラボレーティブコンピューティングプロセスにおいて,包括的なデータプライバシを確保するために,サンドウィッチ・暗号化モジュールを導入する。 第二に、好奇心と誠実な当事者の両方の参加を考慮して、プライバシー保証の徹底的な理論的分析を行う。 4つの実世界のデータセットに対する大規模な実験は、P4GCNが推奨精度で最先端の手法より優れていることを示した。 コードはhttps://github.com/WwZzz/P4GCNで公開されている。

関連論文リスト

• Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
  ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。 既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。 本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
  論文  参考訳（メタデータ） (2024-05-27T02:45:01Z)
• Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation [45.39171059168941]
  ヘテロジニアス・インフォメーション・ネットワーク (HIN) は、レコメンデーションシステムにおけるデータの分散を緩和するための強力なツールである。 本稿では,HINをクライアント側に保存されたプライベートなHINに分割し,サーバ上で共有する手法を提案する。 我々は、差分プライバシーの観点から、HINベースのフェデレーションレコメンデーション(FedRec)のプライバシー定義を定式化する。
  論文  参考訳（メタデータ） (2023-10-18T05:59:41Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Vertical Federated Graph Neural Network for Recommender System [1.7802147489386633]
  グラフニューラルネットワーク(GNN)は、フェデレーションレコメンデータシステムにとって有望なアプローチになりつつある。 本研究は, VerFedGNN と呼ばれる垂直結合型 GNN ベースのリコメンデータシステムを提案する。
  論文  参考訳（メタデータ） (2023-03-10T08:39:26Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• FedPOIRec: Privacy Preserving Federated POI Recommendation with Social Influence [0.0]
  我々は,プライバシー保護のためのフェデレーション学習アプローチであるFedPOIRecを紹介した。 まず、FedPOIRecフレームワークは、ローカルデータが所有者のデバイスを離れることはないという原則に基づいて構築され、ローカル更新はパラメータサーバによって盲目的に集約される。 我々は、CKKSの完全同型暗号方式の特性を利用して、フェデレーション後のユーザの友人の好みを統合するためのプライバシー保護プロトコルを提案する。
  論文  参考訳（メタデータ） (2021-12-21T12:11:39Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)

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。