論文の概要: Far From Sight, Far From Mind: Inverse Distance Weighting for Graph Federated Recommendation

• arxiv url: http://arxiv.org/abs/2507.01285v1
• Date: Wed, 02 Jul 2025 01:57:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.979937
• Title: Far From Sight, Far From Mind: Inverse Distance Weighting for Graph Federated Recommendation
• Title（参考訳）: 遠目から遠目:グラフフェデレーション推奨のための逆距離重み付け
• Authors: Aymen Rayane Khouas, Mohamed Reda Bouadjenek, Hakim Hacid, Sunil Aryal,
• Abstract要約: Dist-FedAvgはグラフフェデレーション学習におけるパーソナライズとアグリゲーション効率を向上させるために設計された,新しい距離ベースアグリゲーション手法である。 本手法は,同種の埋め込みを行うユーザに対して高い集約重みを付与すると同時に,アンカーユーザがローカル更新に大きな影響を与えることを保証する。
• 参考スコア（独自算出の注目度）: 2.8449839307925955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph federated recommendation systems offer a privacy-preserving alternative to traditional centralized recommendation architectures, which often raise concerns about data security. While federated learning enables personalized recommendations without exposing raw user data, existing aggregation methods overlook the unique properties of user embeddings in this setting. Indeed, traditional aggregation methods fail to account for their complexity and the critical role of user similarity in recommendation effectiveness. Moreover, evolving user interactions require adaptive aggregation while preserving the influence of high-relevance anchor users (the primary users before expansion in graph-based frameworks). To address these limitations, we introduce Dist-FedAvg, a novel distance-based aggregation method designed to enhance personalization and aggregation efficiency in graph federated learning. Our method assigns higher aggregation weights to users with similar embeddings, while ensuring that anchor users retain significant influence in local updates. Empirical evaluations on multiple datasets demonstrate that Dist-FedAvg consistently outperforms baseline aggregation techniques, improving recommendation accuracy while maintaining seamless integration into existing federated learning frameworks.
• Abstract（参考訳）: グラフフェデレーションレコメンデーションシステムは、従来の集中型レコメンデーションアーキテクチャに代わるプライバシ保護を提供する。 フェデレーション学習は、生のユーザデータを公開せずにパーソナライズされたレコメンデーションを可能にするが、既存のアグリゲーションメソッドはこの設定にユーザ埋め込みのユニークな特性を見落としている。 実際、従来のアグリゲーション手法は、その複雑さと推奨効果におけるユーザの類似性の重要な役割を説明できない。 さらに、ユーザインタラクションの進化には、高関連性の高いアンカーユーザ(グラフベースのフレームワークの拡張前の主要なユーザ)の影響を保ちながら、アダプティブアグリゲーションが必要である。 グラフフェデレーション学習におけるパーソナライズとアグリゲーション効率の向上を目的とした,距離に基づく新しいアグリゲーション手法であるDist-FedAvgを導入する。 本手法は,同種の埋め込みを行うユーザに対して高い集約重みを付与すると同時に,アンカーユーザがローカル更新に大きな影響を与えることを保証する。 複数のデータセットに対する実証的な評価は、Dist-FedAvgがベースラインアグリゲーションテクニックを一貫して上回り、既存のフェデレーション学習フレームワークへのシームレスな統合を維持しながら、レコメンデーションの精度を改善していることを示している。

関連論文リスト

• UFGraphFR: Graph Federation Recommendation System based on User Text description features [7.97763071021038]
  本稿では,クライアントの局所的な埋め込みテキスト機能に基づいてユーザグラフを構成する,グラフベースのフェデレーションレコメンデーションフレームワークを提案する。 UFGraphFRは、中央集権および最先端のフェデレーションベースラインに匹敵するレコメンデーション精度を達成する。
  論文  参考訳（メタデータ） (2025-01-14T11:52:16Z)
• 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)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• 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)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
  デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。 提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
  論文  参考訳（メタデータ） (2023-02-10T03:57:45Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)

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。