論文の概要: Personalized Recommendation Models in Federated Settings: A Survey

• arxiv url: http://arxiv.org/abs/2504.07101v1
• Date: Mon, 10 Mar 2025 09:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 08:19:42.435193
• Title: Personalized Recommendation Models in Federated Settings: A Survey
• Title（参考訳）: フェデレーション設定におけるパーソナライズされたレコメンデーションモデル:調査
• Authors: Chunxu Zhang, Guodong Long, Zijian Zhang, Zhiwei Li, Honglei Zhang, Qiang Yang, Bo Yang,
• Abstract要約: フェデレートされたレコメンデーションシステム(FedRecSys)は、プライバシを認識したレコメンデーションのための重要なソリューションとして登場した。 現在の研究は、伝統的なレコメンデーションアーキテクチャを連邦環境に適用することに集中している。 この分散化および非IIDデータ設定において、不均一な嗜好を捉えるのに欠かせないユーザパーソナライズモデリングは、まだ未検討である。
• 参考スコア（独自算出の注目度）: 32.46278932694137
• License:
• Abstract: Federated recommender systems (FedRecSys) have emerged as a pivotal solution for privacy-aware recommendations, balancing growing demands for data security and personalized experiences. Current research efforts predominantly concentrate on adapting traditional recommendation architectures to federated environments, optimizing communication efficiency, and mitigating security vulnerabilities. However, user personalization modeling, which is essential for capturing heterogeneous preferences in this decentralized and non-IID data setting, remains underexplored. This survey addresses this gap by systematically exploring personalization in FedRecSys, charting its evolution from centralized paradigms to federated-specific innovations. We establish a foundational definition of personalization in a federated setting, emphasizing personalized models as a critical solution for capturing fine-grained user preferences. The work critically examines the technical hurdles of building personalized FedRecSys and synthesizes promising methodologies to meet these challenges. As the first consolidated study in this domain, this survey serves as both a technical reference and a catalyst for advancing personalized FedRecSys research.
• Abstract（参考訳）: フェデレートされたレコメンデータシステム(FedRecSys)は、プライバシを認識したレコメンデーションのための重要なソリューションとして現れ、データセキュリティとパーソナライズされたエクスペリエンスに対する需要の増大のバランスを取っている。 現在の研究は、従来のレコメンデーションアーキテクチャをフェデレーション環境に適応させ、通信効率を最適化し、セキュリティ上の脆弱性を軽減することに重点を置いている。 しかし、この分散化および非IIDデータ設定において、不均一な嗜好を捉えるのに欠かせないユーザパーソナライズモデリングは、まだ未検討である。 この調査は、FedRecSysにおけるパーソナライゼーションを体系的に探求し、中央集権パラダイムからフェデレーション固有のイノベーションへの進化をグラフ化することによって、このギャップに対処する。 我々は、パーソナライズの基本的定義を確立し、パーソナライズされたモデルを、きめ細かいユーザの好みを捉えるための重要なソリューションとして強調する。 この研究は、パーソナライズされたFedRecSysを構築するための技術的ハードルを批判的に検討し、これらの課題を満たすための有望な方法論を合成する。 この領域における最初の総合的研究として、この調査は、パーソナライズされたFedRecSys研究を促進するための技術的基準と触媒の両方として機能する。

関連論文リスト

• Advancing Personalized Federated Learning: Integrative Approaches with AI for Enhanced Privacy and Customization [0.0]
  本稿では,最先端AI技術を用いてPFLを強化する新しい手法を提案する。 本稿では、個々のクライアントモデルの性能を高め、堅牢なプライバシ保護機構を保証するモデルを提案する。 この研究は、真のパーソナライズされたプライバシを重視したAIシステムの新たな時代への道を開くものだ。
  論文  参考訳（メタデータ） (2025-01-30T07:03:29Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• A Tutorial of Personalized Federated Recommender Systems: Recent Advances and Future Directions [19.74113941915374]
  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。
  論文  参考訳（メタデータ） (2024-12-11T03:33:51Z)
• 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)
• 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)
• SoK: Can Trajectory Generation Combine Privacy and Utility? [26.886689231025525]
  本稿では,プライバシ保護トラジェクトリ・パブリッシング・アプローチを設計するためのフレームワークを提案する。 本稿では,提案フレームワークの文脈におけるトラジェクトリの最先端生成モデルの体系化に焦点をあてる。
  論文  参考訳（メタデータ） (2024-03-12T00:25:14Z)
• 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)
• FedRec+: Enhancing Privacy and Addressing Heterogeneity in Federated Recommendation Systems [15.463595798992621]
  FedRec+は、フェデレーションレコメンデーションシステムのためのアンサンブルフレームワークである。 プライバシーを強化し、エッジユーザの通信コストを低減します。 FedRec+の最先端性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2023-10-31T05:36:53Z)
• Selective Knowledge Sharing for Privacy-Preserving Federated Distillation without A Good Teacher [52.2926020848095]
  フェデレーション学習は、ホワイトボックス攻撃に脆弱で、異種クライアントへの適応に苦慮している。 本稿では,選択的FD(Selective-FD)と呼ばれるFDのための選択的知識共有機構を提案する。
  論文  参考訳（メタデータ） (2023-04-04T12:04:19Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)

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。