論文の概要: FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation
- arxiv url: http://arxiv.org/abs/2504.14208v1
- Date: Sat, 19 Apr 2025 06:59:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 04:17:45.756308
- Title: FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation
- Title（参考訳）: FedCIA: プライバシー保護勧告のための協力的な情報集約
- Authors: Mingzhe Han, Dongsheng Li, Jiafeng Xia, Jiahao Liu, Hansu Gu, Peng Zhang, Ning Gu, Tun Lu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 28.8047308546416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation algorithms rely on user historical interactions to deliver personalized suggestions, which raises significant privacy concerns. Federated recommendation algorithms tackle this issue by combining local model training with server-side model aggregation, where most existing algorithms use a uniform weighted summation to aggregate item embeddings from different client models. This approach has three major limitations: 1) information loss during aggregation, 2) failure to retain personalized local features, and 3) incompatibility with parameter-free recommendation algorithms. To address these limitations, we first review the development of recommendation algorithms and recognize that their core function is to share collaborative information, specifically the global relationship between users and items. With this understanding, we propose a novel aggregation paradigm named collaborative information aggregation, which focuses on sharing collaborative information rather than item parameters. Based on this new paradigm, we introduce the federated collaborative information aggregation (FedCIA) method for privacy-preserving recommendation. This method requires each client to upload item similarity matrices for aggregation, which allows clients to align their local models without constraining embeddings to a unified vector space. As a result, it mitigates information loss caused by direct summation, preserves the personalized embedding distributions of individual clients, and supports the aggregation of parameter-free models. Theoretical analysis and experimental results on real-world datasets demonstrate the superior performance of FedCIA compared with the state-of-the-art federated recommendation algorithms. Code is available at https://github.com/Mingzhe-Han/FedCIA.
- Abstract（参考訳）: レコメンデーションアルゴリズムはユーザーの過去のインタラクションに依存し、パーソナライズされた提案を提供する。
フェデレートされたレコメンデーションアルゴリズムは、ローカルモデルトレーニングとサーバサイドモデルアグリゲーションを組み合わせることでこの問題に対処する。
このアプローチには3つの大きな制限があります。
1)集約中の情報損失
2 特化特化特化機能維持の失敗、及び
3)パラメータフリーレコメンデーションアルゴリズムとの非互換性。
これらの制約に対処するため、まずレコメンデーションアルゴリズムの開発をレビューし、その中核となる機能は、特にユーザとアイテムのグローバルな関係を共同で共有することである、と認識する。
そこで本研究では,アイテムパラメータではなく協調情報を共有することに焦点を当てた,協調情報集約という新たなアグリゲーションパラダイムを提案する。
この新たなパラダイムに基づいて,プライバシ保護のためのフェデレーション協調情報集約(FedCIA)手法を導入する。
この方法では、各クライアントが集約のためにアイテム類似度行列をアップロードする必要がある。これによりクライアントは、埋め込みを統一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。
その結果、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。
実世界のデータセットに関する理論的分析と実験結果は、最先端のフェデレーションレコメンデーションアルゴリズムと比較してFedCIAの優れた性能を示している。
コードはhttps://github.com/Mingzhe-Han/FedCIAで入手できる。
関連論文リスト
- PDC-FRS: Privacy-preserving Data Contribution for Federated Recommender System [15.589541738576528]
フェデレートされたレコメンデーションシステム(FedRecs)は、デバイス上のレコメンデーションにおいてユーザのプライバシを保護するために人気のある研究方向として登場した。
FedRecsでは、ユーザーはデータをローカルに保持し、モデルパラメータを中央サーバにアップロードすることで、ローカルのコラボレーティブな情報のみをコントリビュートする。
本稿では,新しいフェデレーション・レコメンデーション・フレームワークであるPDC-FRSを提案する。具体的には,ユーザが異なるプライバシ保証でデータを共有できるように,プライバシ保護データコントリビューション機構を設計する。
論文 参考訳（メタデータ） (2024-09-12T06:13:07Z) - 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) - Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。
従来の偽造検出手法は、データを直接集中的に訓練する。
本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文 参考訳（メタデータ） (2024-06-17T02:20:30Z) - Beyond Similarity: Personalized Federated Recommendation with Composite Aggregation [22.359428566363945]
フェデレーションレコメンデーションは、大規模なデバイスからローカルモデルを集約することで、グローバルな知識を集めることを目的としている。
現在の手法は主に、連合視覚コミュニティによって発明された集約関数を利用して、類似したクライアントからのパラメータを集約する。
複合アグリゲーション(FedCA)を用いたパーソナライズド・フェデレーション・レコメンデーション・モデルを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:17:52Z) - 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) - Learn What You Need in Personalized Federated Learning [53.83081622573734]
$textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。
我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2024-01-16T12:45:15Z) - APGL4SR: A Generic Framework with Adaptive and Personalized Global
Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。
APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。
一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文 参考訳（メタデータ） (2023-11-06T01:33:24Z) - Federated Heterogeneous Graph Neural Network for Privacy-preserving
Recommendation [45.39171059168941]
ヘテロジニアス・インフォメーション・ネットワーク (HIN) は、レコメンデーションシステムにおけるデータの分散を緩和するための強力なツールである。
本稿では,HINをクライアント側に保存されたプライベートなHINに分割し,サーバ上で共有する手法を提案する。
我々は、差分プライバシーの観点から、HINベースのフェデレーションレコメンデーション(FedRec)のプライバシー定義を定式化する。
論文 参考訳（メタデータ） (2023-10-18T05:59:41Z) - Client-specific Property Inference against Secure Aggregation in
Federated Learning [52.8564467292226]
フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。
多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。
単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
論文 参考訳（メタデータ） (2023-03-07T14:11:01Z) - FedHP: Heterogeneous Federated Learning with Privacy-preserving [0.0]
フェデレーション学習は分散機械学習環境であり、パラメータを交換するだけで、クライアントがプライベートデータを共有せずにコラボレーティブなトレーニングを完了できるようにする。
本稿では,事前学習されたモデルをバックボーンとして,完全に接続されたレイヤをヘッドとして構成する,新しいフェデレーション学習手法を提案する。
勾配空間に基づくパラメータではなく、クラスの埋め込みベクトルを共有することで、クライアントはプライベートデータにより適応でき、サーバとクライアント間の通信においてより効率的になります。
論文 参考訳（メタデータ） (2023-01-27T13:32:17Z) - FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative
Joint Matrix Factorization and Knowledge Distillation [7.621960305708476]
我々はNMF結合因子化に基づく最初の教師なしワンショットフェデレーションCF実装であるFedSPLITを提案する。
FedSPLITは、コミュニケーションの数を大幅に減らすことで、技術の現状と類似した結果を得ることができる(特定の状況では、それよりも優れている)。
論文 参考訳（メタデータ） (2022-05-04T23:42:14Z) - An Expectation-Maximization Perspective on Federated Learning [75.67515842938299]
フェデレーション学習は、データをデバイス上でプライベートにしながら、複数のクライアントにわたるモデルの分散トレーニングを記述する。
本稿では,サーバがクライアント固有のモデルパラメータに対して事前分布のパラメータを提供する階層的潜在変数モデルとして,サーバが設定したフェデレーション学習プロセスについて考察する。
我々は,単純なガウス先行とよく知られた期待最大化(EM)アルゴリズムのハードバージョンを用いて,そのようなモデルの学習は,フェデレーション学習環境における最も一般的なアルゴリズムであるFedAvgに対応することを示す。
論文 参考訳（メタデータ） (2021-11-19T12:58:59Z)
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。