Fugu-MT 論文翻訳(概要): Co-clustering for Federated Recommender System

論文の概要: Co-clustering for Federated Recommender System

arxiv url: http://arxiv.org/abs/2411.01690v1
Date: Sun, 03 Nov 2024 21:32:07 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 21:27:32.006972
Title: Co-clustering for Federated Recommender System
Title（参考訳）: フェデレーションリコメンダシステムのためのコクラスタリング
Authors: Xinrui He, Shuo Liu, Jackey Keung, Jingrui He,
Abstract要約: Federated Recommender System(FRS)は、高品質なレコメンデーションの提供とユーザのプライバシの保護のバランスをとるソリューションを提供する。パーソナライズされた意思決定パターンによって一般的に観察されるFRSにおける統計的不均一性の存在は、課題を引き起こす可能性がある。本稿では,Co-clustering Federated RecommendationメカニズムであるCoFedRecを提案する。
参考スコア（独自算出の注目度）: 33.70723179405055
License:
Abstract: As data privacy and security attract increasing attention, Federated Recommender System (FRS) offers a solution that strikes a balance between providing high-quality recommendations and preserving user privacy. However, the presence of statistical heterogeneity in FRS, commonly observed due to personalized decision-making patterns, can pose challenges. To address this issue and maximize the benefit of collaborative filtering (CF) in FRS, it is intuitive to consider clustering clients (users) as well as items into different groups and learning group-specific models. Existing methods either resort to client clustering via user representations-risking privacy leakage, or employ classical clustering strategies on item embeddings or gradients, which we found are plagued by the curse of dimensionality. In this paper, we delve into the inefficiencies of the K-Means method in client grouping, attributing failures due to the high dimensionality as well as data sparsity occurring in FRS, and propose CoFedRec, a novel Co-clustering Federated Recommendation mechanism, to address clients heterogeneity and enhance the collaborative filtering within the federated framework. Specifically, the server initially formulates an item membership from the client-provided item networks. Subsequently, clients are grouped regarding a specific item category picked from the item membership during each communication round, resulting in an intelligently aggregated group model. Meanwhile, to comprehensively capture the global inter-relationships among items, we incorporate an additional supervised contrastive learning term based on the server-side generated item membership into the local training phase for each client. Extensive experiments on four datasets are provided, which verify the effectiveness of the proposed CoFedRec.
Abstract（参考訳）: データプライバシとセキュリティが注目される中、Federated Recommender System(FRS)は、高品質なレコメンデーションの提供とユーザのプライバシの保護のバランスを取るソリューションを提供する。しかし、パーソナライズされた意思決定パターンによって一般的に観察されるFRSにおける統計的不均一性の存在は、課題を引き起こす可能性がある。この問題に対処し、FRSにおける協調フィルタリング(CF)の利点を最大化するために、クラスタリングクライアント(ユーザ)だけでなく、異なるグループへのアイテムやグループ固有のモデルの学習も直感的に検討する。既存の手法では,ユーザ表現によるクライアントクラスタリングを利用するか,あるいはアイテムの埋め込みや勾配に古典的なクラスタリング戦略を採用するかのいずれかが,次元性の呪いに悩まされている。本稿では,クライアントグループ化におけるK-Means方式の非効率性,高次元性に起因する障害,およびFRSで発生するデータ分散性について検討し,クライアントの不均一性に対処し,フェデレートされたフレームワーク内での協調フィルタリングを強化するための,新しいコクラスタリングフェデレーションレコメンデーション機構であるCoFedRecを提案する。具体的には、サーバは、最初にクライアントが提供するアイテムネットワークからアイテムメンバシップを定式化する。その後、クライアントは、各通信ラウンド中にアイテムメンバシップから選択された特定のアイテムカテゴリについてグループ化され、インテリジェントに集約されたグループモデルとなる。一方、商品間のグローバルな相互関係を包括的に把握するために、サーバ側で生成したアイテムメンバーシップに基づく教師付きコントラスト学習用語を各クライアントのローカルトレーニングフェーズに組み込む。提案したCoFedRecの有効性を検証する4つのデータセットに関する大規模な実験が提供されている。

関連論文リスト

A Bayesian Framework for Clustered Federated Learning [14.426129993432193]
連邦学習(FL)の主な課題の1つは、非独立で同一に分散された(非IID)クライアントデータを扱うことである。本稿では、クライアントをクラスタに関連付けるクラスタ化FLのための統一ベイズフレームワークを提案する。この作業は、クライアントとクラスタの関連に関する洞察を提供し、新しい方法でクライアントの知識共有を可能にする。
論文参考訳（メタデータ） (2024-10-20T19:11:24Z)
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)
Revealing and Utilizing In-group Favoritism for Graph-based Collaborative Filtering [9.067610121749777]
ユーザとアイテムの共同クラスタをクラスタリングアルゴリズムで計算し、各クラスタにCFworksを追加して、グループ内の好意を抽出する。 2つの側面から実世界のデータセットを実験し、グループ内での好みに応じて分割されたグループの数を求め、改善の量を測定した。
論文参考訳（メタデータ） (2024-04-23T06:43:58Z)
FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation [69.75513501757628]
FedGTは、フェデレーション学習における悪意のあるクライアントを安全なアグリゲーションで識別するための新しいフレームワークである。我々はPillutlaらによって最近提案された幾何的中央値に基づいて,FedGTがプライベートロバストアグリゲーションアプローチを著しく上回っていることを示す。
論文参考訳（メタデータ） (2023-05-09T14:54:59Z)
Privacy-Preserving Federated Deep Clustering based on GAN [12.256298398007848]
我々はGAN(Generative Adversarial Networks)に基づくフェデレーションディープクラスタリングへの新しいアプローチを提案する。各クライアントは、ローカルな生成敵ネットワーク(GAN)をローカルにトレーニングし、合成データをサーバにアップロードする。サーバは合成データに深いクラスタリングネットワークを適用して$k$のクラスタセントロイドを確立し、クラスタ割り当てのためにクライアントにダウンロードする。
論文参考訳（メタデータ） (2022-11-30T13:20:11Z)
FedFM: Anchor-based Feature Matching for Data Heterogeneity in Federated Learning [91.74206675452888]
本稿では,各クライアントの特徴を共有カテゴリーのアンカーにマッチさせる新しいFedFM法を提案する。効率と柔軟性を向上させるため,FedFM-Liteと呼ばれるFedFM変種を提案し,クライアントは同期時間と通信帯域幅のコストを少なくしてサーバと通信する。
論文参考訳（メタデータ） (2022-10-14T08:11:34Z)
Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
論文参考訳（メタデータ） (2022-09-30T05:42:56Z)
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)
On the Convergence of Clustered Federated Learning [57.934295064030636]
統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-02-13T02:39:19Z)
Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。