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

• arxiv url: http://arxiv.org/abs/2507.21115v2
• Date: Tue, 07 Oct 2025 13:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 15:38:20.985748
• 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, Gustavo de Carvalho Bertoli, Matias Vizcaino, Emmanuelle Beauxis Aussalet, Manel Slokom,
• Abstract要約: FedFlexは2段階のフレームワークで、ローカルでオンデバイスで行列分解モデル(SVDとBPR)の微調整と、多様性を促進するための軽量なMMR(Maximal Marginal Relevance)を再評価するステップを組み合わせる。 MMRによる再ランク付けは、BPRにおいて、統計学的に有意な増加とともに、両モデルのランク付け品質(nDCG)を継続的に改善した。 出口質問票の回答は、ほとんどのユーザが再ランクと未処理リストの明確な選好を示さなかったことを示し、多様性の増大がユーザの満足度を著しく低下させていないことを示唆した。
• 参考スコア（独自算出の注目度）: 0.49295921923394387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The drive for personalization in recommender systems creates a tension between user privacy and the risk of "filter bubbles". Although federated learning offers a promising paradigm for privacy-preserving recommendations, its impact on diversity remains unclear. We introduce FedFlex, a two-stage framework that combines local, on-device fine-tuning of matrix factorization models (SVD and BPR) with a lightweight Maximal Marginal Relevance (MMR) re-ranking step to promote diversity. We conducted the first live user study of a federated recommender, collecting behavioral data and feedback during a two-week online deployment. Our results show that FedFlex successfully engages users, with BPR outperforming SVD in click-through rate. Re-ranking with MMR consistently improved ranking quality (nDCG) across both models, with statistically significant gains, particularly for BPR. Diversity effects varied: MMR increased coverage for both models and improved intra-list diversity for BPR, but slightly reduced it for SVD, suggesting different interactions between personalization and diversification across models. Our exit questionnaire responses indicated that most users expressed no clear preference between re-ranked and unprocessed lists, implying that increased diversity did not substantially reduce user satisfaction.
• Abstract（参考訳）: 推薦システムにおけるパーソナライズのための推進力は、ユーザのプライバシと"フィルターバブル"のリスクとの間に緊張関係を生じさせる。 フェデレーテッド・ラーニングはプライバシー保護レコメンデーションに有望なパラダイムを提供するが、多様性への影響はいまだ不明である。 私たちはFedFlexという2段階のフレームワークを紹介します。これは、ローカル、オンデバイスで、行列因数分解モデル(SVDとBPR)の微調整と、多様性を促進するための軽量なMMR(Maximal Marginal Relevance)を再評価するステップを組み合わせたものです。 我々は,2週間のオンライン展開中に,行動データとフィードバックを収集する,フェデレートされたレコメンデータの最初のライブユーザ調査を行った。 以上の結果から,BPRはSVDをクリックスルー率で上回り,FedFlexのユーザ獲得に成功していることがわかった。 MMRによる再ランク付けは、BPRにおいて、統計学的に有意な増加とともに、両モデルのランク付け品質(nDCG)を継続的に改善した。 多様性の影響は様々で、MMRは両方のモデルのカバレッジを高め、BPRのリスト内多様性を改善したが、SVDではわずかに減少し、モデル間のパーソナライゼーションと多様化の異なる相互作用が示唆された。 出口質問票の回答は、ほとんどのユーザが再ランクと未処理リストの明確な選好を示さなかったことを示し、多様性の増大がユーザの満足度を著しく低下させていないことを示唆した。

関連論文リスト

• Adaptive Quality-Diversity Trade-offs for Large-Scale Batch Recommendation [14.759906340416828]
  B-DivRecと呼ばれる効率的なアルゴリズムを導入し、アイテムの多様性の度合いを調節する。 これは、ユーザー履歴を通じて品質と多様性のトレードオフを強制するのに役立ちます。 第2に,ユーザに対する品質と多様性のトレードオフを適応的に調整するアプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:20:07Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems [1.675857332621569]
  本稿では,多目的・文脈的な逐次サンプリング戦略を活用する新しいフレームワークを提案する。 アイテムの選択は、多様性を最適化するためにスコアを動的に調整するベイジアン更新によってガイドされる。 実世界のデータセットを用いた実験により、我々のアプローチは妥当性を犠牲にすることなく多様性を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-06-22T19:36:02Z)
• Reinforcing Video Reasoning with Focused Thinking [65.85683941058916]
  本稿では,集中的思考と深い報酬の粒度で視覚的推論を強化する新しいフレームワークであるTW-GRPOを提案する。 具体的には,高情報密度のトークンを優先するトークン重み付け機構を用いる。 また,シングルチョイスからマルチチョイスQAタスクにシフトすることで,RLトレーニングを再構築する。
  論文  参考訳（メタデータ） (2025-05-30T15:42:19Z)
• 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)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• 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)
• A Preference-oriented Diversity Model Based on Mutual-information in Re-ranking for E-commerce Search [11.49911967350851]
  本稿では,相互情報(PODM-MI)に基づく嗜好指向の多様性モデルを提案する。 PODM-MIは、再ランクプロセスにおける正確性と多様性の両方を考慮する。 我々は,PODM-MIをeコマース検索プラットフォームに導入することに成功している。
  論文  参考訳（メタデータ） (2024-05-24T13:03:34Z)
• 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)
• Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity [59.24517649169952]
  我々は,表現退化問題は,既存のSR手法における推奨の多様性の欠如の根本原因であると主張している。 Singular sPectrum sMoothing regularization for Recommendation (SPMRec)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T02:42:37Z)
• 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)
• Towards Multimodal Response Generation with Exemplar Augmentation and Curriculum Optimization [73.45742420178196]
  本稿では,高度化とカリキュラム最適化を併用した,新しいマルチモーダル応答生成フレームワークを提案する。 我々のモデルは多様性と妥当性の点で強いベースラインに比べて大幅に改善されている。
  論文  参考訳（メタデータ） (2020-04-26T16:29:06Z)

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。