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: 2025-04-20 21:16:37.065696
• 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: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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

• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• A Survey of Direct Preference Optimization [103.59317151002693]
  LLM(Large Language Models)は、前例のない生成能力を示す。 人的価値との整合性は、有用で無害なデプロイメントを保証する上で、依然として重要です。 直接優先度最適化(DPO)は、最近、合理化された代替案として注目されている。
  論文  参考訳（メタデータ） (2025-03-12T08:45:15Z)
• 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)
• Navigating the Future of Federated Recommendation Systems with Foundation Models [36.85043146335166]
  Federated Recommendation Systems(FRS)は、データストレージの分散化による従来の集中型アプローチの代替として、プライバシ保護を提供する。 ファンデーションモデル(FM)の最近の進歩は、強力なクロスタスクの知識伝達を通じてこれらの問題を克服する機会を提供する。 FMにより強化されたフレームワークがクライアント側のパーソナライズ、通信効率、サーバ側のアグリゲーションを大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2024-05-12T04:15:05Z)
• 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)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)

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。