論文の概要: Federated Conversational Recommender System

• arxiv url: http://arxiv.org/abs/2503.00999v1
• Date: Sun, 02 Mar 2025 19:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:12:56.105829
• Title: Federated Conversational Recommender System
• Title（参考訳）: Federated Conversational Recommender System
• Authors: Allen Lin, Jianling Wang, Ziwei Zhu, James Caverlee,
• Abstract要約: きめ細かいユーザーの好みは、漏れたり漏れたりした場合に、ユーザーの機密情報を推測するのに簡単に使える。 本稿では,ユーザプライバシを公開するリスクを効果的に低減する,新しい会話推薦フレームワークを提案する。 提案手法は,これらのユーザプライバシ保護ガイドラインを満たすだけでなく,競争力のあるレコメンデーション性能を達成できることを示す。
• 参考スコア（独自算出の注目度）: 19.10820197898819
• License:
• Abstract: Conversational Recommender Systems (CRSs) have become increasingly popular as a powerful tool for providing personalized recommendation experiences. By directly engaging with users in a conversational manner to learn their current and fine-grained preferences, a CRS can quickly derive recommendations that are relevant and justifiable. However, existing conversational recommendation systems (CRSs) typically rely on a centralized training and deployment process, which involves collecting and storing explicitly-communicated user preferences in a centralized repository. These fine-grained user preferences are completely human-interpretable and can easily be used to infer sensitive information (e.g., financial status, political stands, and health information) about the user, if leaked or breached. To address the user privacy concerns in CRS, we first define a set of privacy protection guidelines for preserving user privacy under the conversational recommendation setting. Based on these guidelines, we propose a novel federated conversational recommendation framework that effectively reduces the risk of exposing user privacy by (i) de-centralizing both the historical interests estimation stage and the interactive preference elicitation stage and (ii) strictly bounding privacy leakage by enforcing user-level differential privacy with meticulously selected privacy budgets. Through extensive experiments, we show that the proposed framework not only satisfies these user privacy protection guidelines, but also enables the system to achieve competitive recommendation performance even when compared to the state-of-the-art non-private conversational recommendation approach.
• Abstract（参考訳）: 対話型レコメンデーションシステム(CRS)は、パーソナライズされたレコメンデーションエクスペリエンスを提供する強力なツールとして、ますます人気が高まっている。 ユーザと直接会話して、現在のきめ細かい好みを学習することで、CRSは、関連性があり、正当化可能なレコメンデーションを素早く導き出すことができる。 しかしながら、既存の会話レコメンデーションシステム(CRS)は、通常、集中的なトレーニングとデプロイメントプロセスに依存しており、これは集中的なリポジトリで明示的に通信されたユーザの好みを収集し、保存する。 これらのきめ細かいユーザー嗜好は、完全に人間に解釈可能であり、漏洩または漏洩した場合、ユーザーの機密情報(例えば、財務状況、政治的立場、健康情報)を簡単に推測することができる。 CRSにおけるユーザプライバシの懸念に対処するために、まず、会話レコメンデーション設定の下でユーザプライバシを保存するためのプライバシ保護ガイドラインのセットを定義する。 これらのガイドラインに基づいて,ユーザプライバシを公開するリスクを効果的に軽減する,新しい会話推薦フレームワークを提案する。 一 歴史的利害評価段階と対話的嗜好評価段階の両方を分散化すること (二)厳格に選択されたプライバシー予算でユーザーレベルの差分プライバシーを強制することにより、プライバシー漏洩を厳格に制限する。 広範にわたる実験により,提案手法はユーザのプライバシ保護ガイドラインを満たすだけでなく,最先端の非プライベートな会話レコメンデーションアプローチと比較しても,競争力のあるレコメンデーション性能を実現することができることを示した。

関連論文リスト

• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• 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)
• Privacy-Preserving Matrix Factorization for Recommendation Systems using Gaussian Mechanism [2.84279467589473]
  本稿では,差分プライバシーフレームワークと行列因数分解に基づくプライバシ保護レコメンデーションシステムを提案する。 差分プライバシーは、プライバシを保存する機械学習アルゴリズムを設計するための強力で堅牢な数学的フレームワークであるため、敵が機密性の高いユーザー情報を抽出するのを防ぐことができる。
  論文  参考訳（メタデータ） (2023-04-11T13:50:39Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• Leveraging Privacy Profiles to Empower Users in the Digital Society [7.350403786094707]
  市民のプライバシーと倫理は、ますますデジタル化されつつある社会によってもたらされる懸念の中核にある。 我々は、フィットネス領域から収集された既存のデータセットに関する実証的研究を通じて、プライバシの次元に注目し、上記の方向のステップに貢献する。 その結果、セマンティック駆動型質問のコンパクトなセットは、複雑なドメイン依存質問よりもユーザを識別するのに役立つことがわかった。
  論文  参考訳（メタデータ） (2022-04-01T15:31:50Z)
• Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
  対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。 KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。 最終的には、正確な推奨は会話の順番を少なくして生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:58:10Z)
• Stronger Privacy for Federated Collaborative Filtering with Implicit Feedback [13.37601438005323]
  ユーザレベルの局所差分プライバシー (LDP) 下での暗黙のデータに対する実用的なフェデレーションレコメンダーシステムを提案する。 プライバシとユーティリティのトレードオフはパラメータ$epsilon$と$k$で制御され、更新毎のプライバシー予算と、各ユーザが送信する$epsilon$-LDPグラデーションの更新数を規制する。 5k項目の50kユーザに対して,K=10(HR@10)0.68でHit Ratioを達成し,MovieLensデータセット上でフレームワークの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2021-05-09T13:41:45Z)
• A Novel Privacy-Preserved Recommender System Framework based on Federated Learning [0.0]
  本稿では,プライバシ保護型リコメンデータシステムフレームワーク(PPRSF)を提案する。 PPRSFは、プライバシー漏洩のリスクを減らすだけでなく、法と規制の要件を満たすだけでなく、さまざまな推奨アルゴリズムの適用を可能にしている。
  論文  参考訳（メタデータ） (2020-11-11T08:07:58Z)
• Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
  エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。 まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。 そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-18T20:18:35Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。