論文の概要: Cluster-Enhanced Federated Graph Neural Network for Recommendation
- arxiv url: http://arxiv.org/abs/2412.08066v2
- Date: Sat, 28 Dec 2024 06:27:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:01:09.819342
- Title: Cluster-Enhanced Federated Graph Neural Network for Recommendation
- Title(参考訳): 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
- Authors: Haiyan Wang, Ye Yuan,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.92054926432611
- License:
- Abstract: Personal interaction data can be effectively modeled as individual graphs for each user in recommender systems.Graph Neural Networks (GNNs)-based recommendation techniques have become extremely popular since they can capture high-order collaborative signals between users and items by aggregating the individual graph into a global interactive graph.However, this centralized approach inherently poses a threat to user privacy and security. Recently, federated GNN-based recommendation techniques have emerged as a promising solution to mitigate privacy concerns. Nevertheless, current implementations either limit on-device training to an unaccompanied individual graphs or necessitate reliance on an extra third-party server to touch other individual graphs, which also increases the risk of privacy leakage. To address this challenge, we propose a Cluster-enhanced Federated Graph Neural Network framework for Recommendation, named CFedGR, which introduces high-order collaborative signals to augment individual graphs in a privacy preserving manner. Specifically, the server clusters the pretrained user representations to identify high-order collaborative signals. In addition, two efficient strategies are devised to reduce communication between devices and the server. Extensive experiments on three benchmark datasets validate the effectiveness of our proposed methods.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)ベースのレコメンデーション技術は、個々のグラフをグローバルなインタラクティブグラフに集約することで、ユーザとアイテム間の高次協調信号をキャプチャできるため、非常に人気がある。
近年、プライバシーの懸念を和らげるための有望な解決策として、連合GNNベースのレコメンデーション技術が登場している。
それにもかかわらず、現在の実装ではデバイス上でのトレーニングを、未対応の個々のグラフに制限するか、外部のサードパーティサーバに依存して他の個々のグラフにタッチする必要があるため、プライバシー漏洩のリスクも高まる。
この課題に対処するため,CFedGRというクラスタ強化型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。
具体的には、サーバが事前訓練されたユーザ表現をクラスタリングして、高次の協調的な信号を識別する。
さらに、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た。
3つのベンチマークデータセットの大規模な実験により,提案手法の有効性が検証された。
関連論文リスト
- Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation [20.774848093888615]
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。
論文 参考訳(メタデータ) (2024-12-02T05:31:22Z) - 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) - FedRKG: A Privacy-preserving Federated Recommendation Framework via
Knowledge Graph Enhancement [20.214339212091012]
フェデレートラーニング(FL)は、リコメンデーションシステムでデータプライバシをローカルにトレーニングする上で有望なアプローチとして登場した。
最近のグラフニューラルネットワーク(GNN)は、ユーザとアイテム間の高次インタラクションをキャプチャできるため、リコメンデーションタスクで人気を集めている。
本稿では,グローバル知識グラフ(KG)を構築・維持する新しいフェデレーションレコメンデーションシステムであるFedRKGを提案する。
論文 参考訳(メタデータ) (2024-01-20T02:38:21Z) - Preference and Concurrence Aware Bayesian Graph Neural Networks for
Recommender Systems [5.465420718331109]
グラフベースのコラボレーティブフィルタリング手法はレコメンダシステムの性能向上に寄与した。
本稿では,ユーザの好みや項目の一致,重要なグラフ構造情報などを共同で検討する効率的な生成モデルを提案する。
論文 参考訳(メタデータ) (2023-11-30T11:49:33Z) - 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) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳(メタデータ) (2022-11-19T09:08:43Z) - 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) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳(メタデータ) (2021-06-05T07:07:52Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z)
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。