論文の概要: A Tutorial of Personalized Federated Recommender Systems: Recent Advances and Future Directions
- arxiv url: http://arxiv.org/abs/2412.08071v1
- Date: Wed, 11 Dec 2024 03:33:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-12 14:00:36.490648
- Title: A Tutorial of Personalized Federated Recommender Systems: Recent Advances and Future Directions
- Title(参考訳): 個人化フェデレーションレコメンダシステムのチュートリアル:最近の進歩と今後の方向性
- Authors: Jing Jiang, Chunxu Zhang, Honglei Zhang, Zhiwei Li, Yidong Li, Bo Yang,
- Abstract要約: パーソナライゼーションはレコメンデーションシステム(RecSys)の基盤となる。
FedRecSysを使えば、ユーザーは個人データをローカルに保持でき、グローバルモデルトレーニングのプライバシー感度が低いモデルパラメータのみを共有できる。
本チュートリアルでは,(1)PFedRecSysの既存研究の概要,(2)PFedRecSysの包括的分類,(3)PFedRecSysにおけるオープン課題の探求,将来的な方向性について紹介する。
- 参考スコア(独自算出の注目度): 19.74113941915374
- License:
- Abstract: Personalization stands as the cornerstone of recommender systems (RecSys), striving to sift out redundant information and offer tailor-made services for users. However, the conventional cloud-based RecSys necessitates centralized data collection, posing significant risks of user privacy breaches. In response to this challenge, federated recommender systems (FedRecSys) have emerged, garnering considerable attention. FedRecSys enable users to retain personal data locally and solely share model parameters with low privacy sensitivity for global model training, significantly bolstering the system's privacy protection capabilities. Within the distributed learning framework, the pronounced non-iid nature of user behavior data introduces fresh hurdles to federated optimization. Meanwhile, the ability of federated learning to concurrently learn multiple models presents an opportunity for personalized user modeling. Consequently, the development of personalized FedRecSys (PFedRecSys) is crucial and holds substantial significance. This tutorial seeks to provide an introduction to PFedRecSys, encompassing (1) an overview of existing studies on PFedRecSys, (2) a comprehensive taxonomy of PFedRecSys spanning four pivotal research directions-client-side adaptation, server-side aggregation, communication efficiency, privacy and protection, and (3) exploration of open challenges and promising future directions in PFedRecSys. This tutorial aims to establish a robust foundation and spark new perspectives for subsequent exploration and practical implementations in the evolving realm of RecSys.
- Abstract(参考訳): パーソナライゼーションはレコメンデーションシステム(RecSys)の基盤であり、冗長な情報を取り除き、ユーザー向けにパーソナライズされたサービスを提供しようとしている。
しかし、従来のクラウドベースのRecSysは集中型のデータ収集を必要とし、ユーザのプライバシー侵害の重大なリスクを生じさせる。
この課題に対して、フェデレートされたレコメンデータシステム(FedRecSys)が登場し、かなりの注目を集めた。
FedRecSysを使えば、ユーザーはパーソナルデータをローカルに保持し、グローバルモデルトレーニングのプライバシー感度が低いモデルパラメータのみを共有することができ、システムのプライバシ保護機能を著しく強化することができる。
分散学習フレームワークでは、ユーザ行動データの非イド的特性が強調され、フェデレートされた最適化に新たなハードルがもたらされる。
一方、複数のモデルを同時に学習するフェデレーション学習能力は、パーソナライズされたユーザーモデリングの機会となる。
したがって、パーソナライズされたFedRecSys(PFedRecSys)の開発は重要であり、重要な意味を持つ。
本チュートリアルでは,(1)PFedRecSysの既存研究の概要,(2)PFedRecSysの総合分類,(2)PFedRecSysの4つの重要な研究方向-クライアント側適応,サーバ側集約,通信効率,プライバシと保護,(3)PFedRecSysにおけるオープン課題の探索,将来的な方向性を網羅した包括的分類について紹介する。
このチュートリアルは、RecSysの進化する領域において、堅牢な基盤を確立し、その後の探索と実践的な実装のための新しい視点を刺激することを目的としている。
関連論文リスト
- Efficient Federated Unlearning with Adaptive Differential Privacy Preservation [15.8083997286637]
フェデレーション・アンラーニング(FU)は、フェデレーション・ラーニング(FL)における、特定のクライアントのデータがグローバルモデルに与える影響を消し去るための有望なソリューションを提供する。
現在の最先端のFUメソッドは、保存された履歴更新を活用することで、従来のFLフレームワークを拡張している。
FUにおける効率性とプライバシ保護の両立を図ったFedADPを提案する。
論文 参考訳(メタデータ) (2024-11-17T11:45:15Z) - Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。
通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。
RFRecFの強靭性は、多様なベースラインに比べて優れている。
論文 参考訳(メタデータ) (2024-11-03T12:10:20Z) - CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。
さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文 参考訳(メタデータ) (2024-08-26T16:21:50Z) - PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System [42.79538136366075]
本稿では,パラメータを含まないフェデレーション・シーケンシャル・レコメンデーション・フレームワーク(PTF-FSR)を提案する。
PTF-FSRは、サービスプロバイダやシステムユーザのプライバシニーズを満たすために、モデルとデータのプライバシ保護の両方を保証する。
論文 参考訳(メタデータ) (2024-06-08T07:45:46Z) - User Consented Federated Recommender System Against Personalized
Attribute Inference Attack [55.24441467292359]
本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。
UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
論文 参考訳(メタデータ) (2023-12-23T09:44:57Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - Federated Learning Empowered by Generative Content [55.576885852501775]
フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。
本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。
我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
論文 参考訳(メタデータ) (2023-12-10T07:38:56Z) - A Privacy Preserving System for Movie Recommendations Using Federated Learning [12.751432553199628]
本稿では,映画レコメンデーションのためのレコメンデーションシステムを提案する。
フェデレートされた学習を用いてトレーニングされるため、その性質上、プライバシ保護が重要である。
FedQと呼ばれる新しいフェデレーション学習スキームが採用され、非i.d.nessと小さなローカルデータセットの問題に対処する。
論文 参考訳(メタデータ) (2023-03-07T17:22:38Z) - RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。
クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。
悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文 参考訳(メタデータ) (2021-07-07T15:42:49Z) - A Federated Multi-View Deep Learning Framework for Privacy-Preserving
Recommendations [25.484225182093947]
プライバシー保護の勧告は、ユーザーのプライバシーとデータセキュリティに対する懸念から、勢いを増している。
FedRecアルゴリズムは、パーソナライズされたプライバシー保護レコメンデーションを実現するために提案されている。
本稿では,汎用コンテンツベースフェデレーション型マルチビューレコメンデーションフレームワークFLMV-DSSMを提案する。
論文 参考訳(メタデータ) (2020-08-25T04:19:40Z)
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。