論文の概要: Multi-Selection for Recommendation Systems

• arxiv url: http://arxiv.org/abs/2504.07403v1
• Date: Thu, 10 Apr 2025 02:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:19:58.124271
• Title: Multi-Selection for Recommendation Systems
• Title（参考訳）: 推薦システムのためのマルチセレクション
• Authors: Sahasrajit Sarmasarkar, Zhihao Jiang, Ashish Goel, Aleksandra Korolova, Kamesh Munagala,
• Abstract要約: 本稿では,レコメンデーションシステムのコンテキストにおいて,異なるプライベートクエリに応答するマルチセレクションモデルの構築について述べる。 サーバは複数のレコメンデーションと'ローカルモデル'をユーザに送信し、ユーザはデバイス上でローカルに実行して、プライベート機能に最も適したアイテムを選択することができる。
• 参考スコア（独自算出の注目度）: 52.5653572324012
• License:
• Abstract: We present the construction of a multi-selection model to answer differentially private queries in the context of recommendation systems. The server sends back multiple recommendations and a ``local model'' to the user, which the user can run locally on its device to select the item that best fits its private features. We study a setup where the server uses a deep neural network (trained on the Movielens 25M dataset as the ground truth for movie recommendation. In the multi-selection paradigm, the average recommendation utility is approximately 97\% of the optimal utility (as determined by the ground truth neural network) while maintaining a local differential privacy guarantee with $\epsilon$ ranging around 1 with respect to feature vectors of neighboring users. This is in comparison to an average recommendation utility of 91\% in the non-multi-selection regime under the same constraints.
• Abstract（参考訳）: 本稿では,レコメンデーションシステムのコンテキストにおいて,異なるプライベートクエリに応答するマルチセレクションモデルの構築について述べる。 サーバは複数のレコメンデーションと‘ローカルモデル’をユーザに送信し、ユーザはデバイス上でローカルに実行して、そのプライベート機能に最も適したアイテムを選択することができる。 我々は、サーバがディープニューラルネットワーク(Movielens 25Mデータセットでトレーニングされた)を映画レコメンデーションの根拠として使用する設定について検討する。 マルチセレクションのパラダイムでは、平均的な推奨ユーティリティは、(地上の真理ニューラルネットワークによって決定される)最適ユーティリティの約99%であり、近隣ユーザーの特徴ベクトルに関して約1ドルで、局所的な差分プライバシー保証を維持している。 これは、同じ制約下での非マルチ選択方式における平均推奨ユーティリティの91\%と比較する。

関連論文リスト

• Context-aware adaptive personalised recommendation: a meta-hybrid [0.41436032949434404]
  機械学習を用いて最適なアルゴリズムを予測するメタハイブリッドレコメンデータを提案する。 提案モデルに基づいて、どのレコメンデータがユーザに最も正確なレコメンデーションを提供するかを予測できる。
  論文  参考訳（メタデータ） (2024-10-17T09:24:40Z)
• Differential Privacy with Multiple Selections [52.5653572324012]
  感性のある機能を持つユーザがサーバから異なるプライベートな方法でレコメンデーションを得るような設定について検討する。 本稿では,サーバが複数のレコメンデーションを送信可能なマルチセレクションアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-07-19T19:34:51Z)
• How to Diversify any Personalized Recommender? [0.0]
  精度を維持しつつTop-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。 当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。 トレーニングに事前処理されたデータを使用すると、元の未修正データでトレーニングされたデータと同等のパフォーマンスレベルを達成するためのレコメンデーションシステムになる。
  論文  参考訳（メタデータ） (2024-05-03T15:02:55Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
  目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。 我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。 少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-07T23:58:19Z)
• Dual Personalization on Federated Recommendation [50.4115315992418]
  フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。 本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。 また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
  論文  参考訳（メタデータ） (2023-01-16T05:26:07Z)
• PEPPER: Empowering User-Centric Recommender Systems over Gossip Learning [0.0]
  PEPPERは、ゴシップ学習原則に基づく分散型レコメンデーションシステムである。 私たちのソリューションは、他の分散ソリューションよりも最大42%高速に収束します。
  論文  参考訳（メタデータ） (2022-08-09T14:51:27Z)
• CnGAN: Generative Adversarial Networks for Cross-network user preference generation for non-overlapped users [33.17802459749589]
  クロスネットワークレコメンデータソリューションの大きな欠点は、ネットワーク間で重複するユーザに対してのみ適用可能であることだ。 本稿では,新しいマルチタスク学習型エンコーダGAN-RecommenderアーキテクチャであるCnGANを提案する。 その結果、ユーザの好みは、Siameseネットワークベースのニューラルレコメンデータアーキテクチャで使用される。
  論文  参考訳（メタデータ） (2020-08-25T06:47:44Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。