論文の概要: Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation
- arxiv url: http://arxiv.org/abs/2412.01141v1
- Date: Mon, 02 Dec 2024 05:31:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:40:33.925888
- Title: Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation
- Title(参考訳): フェデレーションアイテムレコメンデーションのためのロスレス・プライバシ保護グラフ畳み込みネットワーク
- Authors: Guowei Wu, Weike Pan, Qiang Yang, Zhong Ming,
- Abstract要約: グラフニューラルネットワーク(GNN)は、アイテムレコメンデーションのための最先端のソリューションとして登場した。
既存のGNNベースのレコメンデーション手法は、断片化されたユーザ・イテムインタラクションサブグラフの集中ストレージと、集約されたグローバルグラフのトレーニングに依存している。
- 参考スコア(独自算出の注目度): 20.774848093888615
- License:
- Abstract: Graph neural network (GNN) has emerged as a state-of-the-art solution for item recommendation. However, existing GNN-based recommendation methods rely on a centralized storage of fragmented user-item interaction sub-graphs and training on an aggregated global graph, which will lead to privacy concerns. As a response, some recent works develop GNN-based federated recommendation methods by exploiting decentralized and fragmented user-item sub-graphs in order to preserve user privacy. However, due to privacy constraints, the graph convolution process in existing federated recommendation methods is incomplete compared with the centralized counterpart, causing a degradation of the recommendation performance. In this paper, we propose a novel lossless and privacy-preserving graph convolution network (LP-GCN), which fully completes the graph convolution process with decentralized user-item interaction sub-graphs while ensuring privacy. It is worth mentioning that its performance is equivalent to that of the non-federated (i.e., centralized) counterpart. Moreover, we validate its effectiveness through both theoretical analysis and empirical studies. Extensive experiments on three real-world datasets show that our LP-GCN outperforms the existing federated recommendation methods. The code will be publicly available once the paper is accepted.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、アイテムレコメンデーションのための最先端のソリューションとして登場した。
しかし、既存のGNNベースのレコメンデーションメソッドは、断片化されたユーザとイテムのインタラクションサブグラフの集中ストレージと、集約されたグローバルグラフのトレーニングに依存しており、プライバシー上の懸念につながります。
その結果、最近の研究では、ユーザプライバシを保護するために、分散化されたサブグラフと断片化されたサブグラフを活用することで、GNNベースのフェデレーションレコメンデーション手法が開発されている。
しかし、プライバシー上の制約により、既存のフェデレーションレコメンデーション手法におけるグラフの畳み込みプロセスは、中央集権的手法と比較して不完全であり、レコメンデーション性能が低下する。
本稿では、分散化されたユーザ・イテムインタラクションサブグラフによるグラフ畳み込み処理を完全に完了し、プライバシを確保しつつ、新たなロスレス・プライバシ保護グラフ畳み込みネットワーク(LP-GCN)を提案する。
そのパフォーマンスは、非フェデレーション(集中型)と同等である点に注意が必要だ。
さらに、理論的解析と実証的研究の両方を通して、その有効性を検証する。
実世界の3つのデータセットに対する大規模な実験により、我々のLP-GCNは既存のフェデレーションレコメンデーション手法よりも優れていることが示された。
論文が受理されたら、コードは公開されます。
関連論文リスト
- Cluster-Enhanced Federated Graph Neural Network for Recommendation [8.92054926432611]
本稿では、CFedGRという推薦のためのクラスタ強化フェデレーショングラフニューラルネットワークフレームワークを提案する。
このフレームワークは、プライバシ保護の方法で個々のグラフを拡張するために、高次の協調シグナルを導入する。
デバイスとサーバ間の通信を減らすために、2つの効率的な戦略が考案されている。
論文 参考訳(メタデータ) (2024-12-11T03:22:04Z) - Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳(メタデータ) (2024-07-26T03:14:13Z) - Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。
既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。
クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
論文 参考訳(メタデータ) (2024-04-16T07:05:16Z) - GNN4FR: A Lossless GNN-based Federated Recommendation Framework [13.672867761388675]
グラフニューラルネットワーク(GNN)はレコメンデーションシステムで広く普及している。
本フレームワークは,完全高次構造情報を用いたフルグラフ学習を実現する。
さらに、LightGCNを使ってフレームワークの例をインスタンス化し、その等価性を示す。
論文 参考訳(メタデータ) (2023-07-25T16:55:17Z) - 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) - Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。
提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
論文 参考訳(メタデータ) (2023-02-10T03:57:45Z) - Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。
我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。
本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
論文 参考訳(メタデータ) (2022-09-08T16:20:25Z) - An Adaptive Graph Pre-training Framework for Localized Collaborative
Filtering [79.17319280791237]
局所的協調フィルタリング(ADAPT)のための適応グラフ事前学習フレームワークを提案する。
ADAPTは、異なるグラフにまたがる共通知識と、各グラフの特異性の両方をキャプチャする。
ユーザ/イテムの埋め込みを転送する必要はなく、異なるグラフにまたがる共通知識と各グラフのユニークさの両方をキャプチャできる。
論文 参考訳(メタデータ) (2021-12-14T06:53:13Z) - RGCF: Refined Graph Convolution Collaborative Filtering with concise and
expressive embedding [42.46797662323393]
我々はRefined Graph Convolution Collaborative Filtering(RGCF)というGCNベースの新しい協調フィルタリングモデルを開発した。
RGCFはグラフ内の暗黙の高次連結性を捉えることができ、結果として得られるベクトル表現はより表現力が高い。
我々は3つの公開百万規模のデータセットに対して広範な実験を行い、我々のRGCFが最先端のモデルを大幅に上回っていることを実証した。
論文 参考訳(メタデータ) (2020-07-07T12:26:10Z) - LightGCN: Simplifying and Powering Graph Convolution Network for
Recommendation [100.76229017056181]
Graph Convolution Network (GCN)は、協調フィルタリングのための新しい最先端技術となった。
本研究は,GCNの設計を簡略化し,より簡潔かつ適切なレコメンデーションを実現することを目的としている。
我々は,光GCNと呼ばれる新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-02-06T06:53:42Z)
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。