論文の概要: FedFlex: Federated Learning for Diverse Netflix Recommendations

• arxiv url: http://arxiv.org/abs/2507.21115v1
• Date: Tue, 15 Jul 2025 13:04:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-03 20:19:02.892558
• Title: FedFlex: Federated Learning for Diverse Netflix Recommendations
• Title（参考訳）: FedFlex: さまざまなNetflixレコメンデーションのためのフェデレートラーニング
• Authors: Sven Lankester, Manel Slokom, Gustavo de Carvalho Bertoli, Matias Vizcaino, Emmanuelle Beauxis Aussalet, Laura Hollink,
• Abstract要約: 我々はNetflixスタイルのテレビシリーズレコメンデーションのためのフェデレーションレコメンデーションシステムであるFedFlexを紹介する。 FedFlexは、パーソナライズされた微調整のための2つの最先端マトリックス因数分解アルゴリズムを統合している。 生の2週間のユーザスタディでは、SVDまたはBPRに基づいたリストAと、多様性を強調する再ランクされたバージョンであるリストBの2つの推奨リストが参加者に与えられた。
• 参考スコア（独自算出の注目度）: 0.21990652930491855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning is a decentralized approach that enables collaborative model training across multiple devices while preserving data privacy. It has shown significant potential in various domains, including healthcare and personalized recommendation systems. However, most existing work on federated recommendation systems has focused primarily on improving accuracy, with limited attention to fairness and diversity. In this paper, we introduce FedFlex, a federated recommender system for Netflix-style TV series recommendations. FedFlex integrates two state-of-the-art matrix factorization algorithms for personalized fine-tuning. FedFlex also applies Maximal Marginal Relevance (MMR) to re-rank items and enhance diversity. We conduct extensive experiments comparing recommendations generated by SVD and BPR algorithms. In a live two-week user study, participants received two recommendation lists: List A, based on SVD or BPR, and List B, a re-ranked version emphasizing diversity. Participants were asked to click on the movies they were interested in watching. Our findings demonstrate that FedFlex effectively introduces diverse content, such as new genres, into recommendations without necessarily compromising user satisfaction.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning)は、データプライバシを保持しながら、複数のデバイス間で協調的なモデルトレーニングを可能にする、分散型のアプローチである。 医療やパーソナライズされたレコメンデーションシステムなど、さまざまな分野で大きな可能性を示している。 しかし、既存のフェデレーションレコメンデーションシステムに関する研究のほとんどは、公正さと多様性に限定した精度の向上に重点を置いている。 本稿では,NetflixスタイルのテレビシリーズレコメンデーションのためのフェデレーションレコメンデーションシステムであるFedFlexを紹介する。 FedFlexは、パーソナライズされた微調整のための2つの最先端マトリックス因数分解アルゴリズムを統合している。 FedFlexはまた、アイテムを再ランクし、多様性を高めるためにMMR(Maximal Marginal Relevance)を適用している。 SVDアルゴリズムとBPRアルゴリズムで生成されたレコメンデーションを比較検討する。 生の2週間のユーザスタディでは、SVDまたはBPRに基づいたリストAと、多様性を強調する再ランクされたバージョンであるリストBの2つの推奨リストが参加者に与えられた。 参加者は興味のある映画をクリックするよう求められた。 以上の結果から,FedFlexはユーザの満足度を損なうことなく,新たなジャンルなどの多様なコンテンツをレコメンデーションに効果的に導入できることがわかった。

関連論文リスト

• Counterfactual Multi-player Bandits for Explainable Recommendation Diversification [7.948416784331374]
  我々は、説明可能な推薦の多様化を実現するために、textbfCounterfactual textbfMulti-player textbfBandits (CMB)法を提案する。
  論文  参考訳（メタデータ） (2025-05-27T13:21:39Z)
• Dynamic Fusion Strategies for Federated Multimodal Recommendations [37.52127488593226]
  We propose FedMR, a novel multimodal FedRec framework based on the Mixing Feature Fusion Module (MFFM)。 1)サーバサイドの集中型マルチメディアコンテンツ処理は、事前訓練されたモデルを使用してリッチで共有されたアイテムコンテキストを提供する。 MFFMは、クライアント固有のインタラクションパターンに基づいて、これらのサーバが提供するマルチモーダル表現を動的に適応し、効果的にレコメンデーションを調整し、異なるモダリティに対してユーザの嗜好の不均一性を解消する。
  論文  参考訳（メタデータ） (2024-10-11T03:10:09Z)
• Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
  本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。 我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。 我々の戦略は、最先端のライバル数社を上回っている。
  論文  参考訳（メタデータ） (2024-08-07T13:48:24Z)
• 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)
• 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)
• Track2Vec: fairness music recommendation with a GPU-free customizable-driven framework [6.2405734957622245]
  Track2Vecは、公正な音楽レコメンデーションのためのGPUフリーのカスタマイズ可能なフレームワークである。 公平度を測定するために,ミスレート-逆地中真実周波数(MR-ITF)と呼ばれる測定基準を導入する。 EvalRS @ CIKM 2022チャレンジでは,GPUフリー環境での価格ランキングを4位に引き上げている。
  論文  参考訳（メタデータ） (2022-10-29T12:53:09Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning [0.3058685580689604]
  本稿では,アクタ・クリティカルアーキテクチャを用いた深層強化学習に基づく推薦システムを提案する。 提案モデルでは,ユーザの嗜好に基づいて,多様かつ関連性の高いレコメンデーションリストを生成することができる。
  論文  参考訳（メタデータ） (2021-10-28T13:11:29Z)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。