論文の概要: UFGraphFR: An attempt at a federated recommendation system based on user text characteristics

• arxiv url: http://arxiv.org/abs/2501.08044v2
• Date: Wed, 16 Apr 2025 07:34:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 20:12:20.912448
• Title: UFGraphFR: An attempt at a federated recommendation system based on user text characteristics
• Title（参考訳）: UFGraphFR: ユーザテキストの特徴に基づくフェデレーションレコメンデーションシステムの試み
• Authors: Xudong Wang,
• Abstract要約: 本稿では,クライアントの埋め込みテキスト機能に基づいてユーザグラフを構成する,グラフベースのフェデレーションレコメンデーションフレームワークを提案する。 UFGraphFRは、集中型および最先端のフェデレーションベースラインと比較して、ユーザのプライバシを保ちながら、競争精度を達成する。
• 参考スコア（独自算出の注目度）: 8.025162796966834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning has emerged as a key paradigm in privacy-preserving computing due to its "data usable but not visible" property, enabling users to collaboratively train models without sharing raw data. Motivated by this, federated recommendation systems offer a promising architecture that balances user privacy with recommendation accuracy through distributed collaborative learning. However, existing federated recommendation methods often neglect the underlying semantic or behavioral relationships between users during parameter aggregation, limiting their effectiveness. To address this, graph-based federated recommendation systems have been proposed to leverage neighborhood information. Yet, conventional graph construction methods usually require access to raw user data or explicit social links, which contradicts the strict privacy requirements of federated learning. In this work, we propose UFGraphFR (User Text-feature-based Graph Federated Recommendation), a personalized federated recommendation framework that constructs a user graph based on clients' locally embedded text features. Our core assumption is that users with similar textual descriptions exhibit similar preferences. UFGraphFR introduces two key components: a privacy-preserving user relationship graph built from the joint embedding layer's weight matrix without leaking raw user attributes, and a Transformer-based architecture to model temporal dependencies in user-item interaction sequences. Experimental results on benchmark datasets such as MovieLens and HetRec2011 demonstrate that UFGraphFR achieves competitive accuracy compared to centralized and state-of-the-art federated baselines while preserving user privacy. Code is available at https://github.com/trueWangSyutung/UFGraphFR
• Abstract（参考訳）: フェデレーテッド・ラーニング(Federated Learning)は、プライバシ保護コンピューティングにおける重要なパラダイムとして現れている。 これに動機づけられたフェデレーションレコメンデーションシステムは、分散協調学習を通じてユーザのプライバシとレコメンデーション精度のバランスをとる、有望なアーキテクチャを提供する。 しかし、既存のフェデレーションレコメンデーション手法は、パラメータアグリゲーション中にユーザ間の基本的な意味的・行動的関係を無視し、有効性を制限していることが多い。 これを解決するために,グラフベースのフェデレーションレコメンデーションシステムが提案されている。 しかし、従来のグラフ構築手法では、通常は生のユーザデータや明示的なソーシャルリンクへのアクセスが必要であり、フェデレートされた学習の厳密なプライバシー要件とは矛盾する。 本研究では、クライアントの局所的な埋め込みテキスト機能に基づいたユーザグラフを構築するための、パーソナライズされた推奨フレームワークであるUFGraphFR(User Text-feature-based Graph Federated Recommendation)を提案する。 私たちの中核的な前提は、類似したテキスト記述を持つユーザーが同様の好みを示すことである。 UFGraphFRは2つの重要なコンポーネントを紹介している: 統合埋め込み層の重み行列から構築されたプライバシー保護ユーザ関係グラフで、生のユーザ属性をリークせずに構築される。 MovieLensやHetRec2011といったベンチマークデータセットの実験結果は、UFGraphFRがユーザのプライバシを保護しながら、集中的および最先端のフェデレーションベースラインと比較して、競争の精度を達成していることを示している。 コードはhttps://github.com/trueWangSyutung/UFGraphFRで入手できる。

関連論文リスト

• FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation [28.8047308546416]
  プライバシー保護のためのフェデレーション・コラボレーティブ・インフォメーション・アグリゲーション(FedCIA)手法を導入する。 FedCIAは、クライアントが埋め込みを統一されたベクトル空間に制約することなく、ローカルモデルを調整できる。 直接和による情報損失を軽減し、個々のクライアントのパーソナライズされた埋め込み分布を保存し、パラメータフリーモデルの集約をサポートする。
  論文  参考訳（メタデータ） (2025-04-19T06:59:34Z)
• Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
  ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。 構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。 また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-04T01:46:49Z)
• 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。 既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。 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。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Learning Social Graph for Inactive User Recommendation [50.090904659803854]
  LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。 実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-05-08T03:40:36Z)
• Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
  本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。 KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。 提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
  論文  参考訳（メタデータ） (2024-03-21T13:09:23Z)
• 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)
• 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)
• 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)
• DRIFT: A Federated Recommender System with Implicit Feedback on the Items [0.0]
  DRIFTは、暗黙のフィードバックを使用してレコメンデーションシステムのための連合アーキテクチャである。 我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。 我々のアルゴリズムは安全であり、当社のフェデレーションシステムの参加者は、ユーザによるインタラクションを推測できない。
  論文  参考訳（メタデータ） (2023-04-17T13:12:33Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Federated Learning with Heterogeneous Architectures using Graph HyperNetworks [154.60662664160333]
  パラメータ共有にグラフハイパーネットワークを採用することにより、異種クライアントアーキテクチャに対応する新しいFLフレームワークを提案する。 既存のソリューションとは異なり、当社のフレームワークは、クライアントが同じアーキテクチャタイプを共有することを制限せず、外部データも使用せず、クライアントがモデルアーキテクチャを公開する必要もありません。
  論文  参考訳（メタデータ） (2022-01-20T21:36:25Z)
• 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。