Fugu-MT 論文翻訳(概要): Federated Continual Recommendation

論文の概要: Federated Continual Recommendation

arxiv url: http://arxiv.org/abs/2508.04792v2
Date: Fri, 08 Aug 2025 07:27:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-11 12:11:10.88859
Title: Federated Continual Recommendation
Title（参考訳）: Federated Continuous Recommendation
Authors: Jaehyung Lim, Wonbin Kweon, Woojoo Kim, Junyoung Kim, Seongjin Choi, Dongha Kim, Hwanjo Yu,
Abstract要約: レコメンデーションシステムにおけるプライバシの重視の高まりにより、プライバシ保護ソリューションとしてフェデレートラーニング(FL)が採用されている。既存のメソッドは非定常データストリームと競合し、時間とともに一貫したレコメンデーション品質を維持することができない。我々はFedRecとCLRecを統合した新しいタスクであるFederated Continual Recommendation(FCRec)を紹介する。
参考スコア（独自算出の注目度）: 16.23836719009591
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The increasing emphasis on privacy in recommendation systems has led to the adoption of Federated Learning (FL) as a privacy-preserving solution, enabling collaborative training without sharing user data. While Federated Recommendation (FedRec) effectively protects privacy, existing methods struggle with non-stationary data streams, failing to maintain consistent recommendation quality over time. On the other hand, Continual Learning Recommendation (CLRec) methods address evolving user preferences but typically assume centralized data access, making them incompatible with FL constraints. To bridge this gap, we introduce Federated Continual Recommendation (FCRec), a novel task that integrates FedRec and CLRec, requiring models to learn from streaming data while preserving privacy. As a solution, we propose F3CRec, a framework designed to balance knowledge retention and adaptation under the strict constraints of FCRec. F3CRec introduces two key components: Adaptive Replay Memory on the client side, which selectively retains past preferences based on user-specific shifts, and Item-wise Temporal Mean on the server side, which integrates new knowledge while preserving prior information. Extensive experiments demonstrate that F3CRec outperforms existing approaches in maintaining recommendation quality over time in a federated environment.
Abstract（参考訳）: レコメンデーションシステムにおけるプライバシ重視の高まりにより、プライバシ保護ソリューションとしてフェデレートラーニング(FL)が採用され、ユーザデータを共有せずに協調的なトレーニングが可能になる。 Federated Recommendation(FedRec)は、効果的にプライバシを保護するが、既存のメソッドは非定常データストリームと競合し、時間とともに一貫したレコメンデーション品質を維持することができない。一方、CLRec(Continuous Learning Recommendation)メソッドは、進化するユーザの好みに対処するが、一般的には集中的なデータアクセスを前提としており、FL制約とは互換性がない。このギャップを埋めるために、FedRecとCLRecを統合した新しいタスクであるFCRec(Federated Continual Recommendation)を紹介します。そこで本研究では,FCRecの厳密な制約の下で知識保持と適応のバランスをとるためのフレームワークであるF3CRecを提案する。 F3CRecでは、クライアント側のAdaptive Replay Memory、ユーザ固有のシフトに基づいて過去の好みを選択的に保持するAdaptive Replay Memory、サーバ側のアイテムワイドテンポラル平均という2つの重要なコンポーネントを紹介している。大規模な実験により、F3CRecは、連合環境における推奨品質の維持において、既存のアプローチよりも優れていることが示された。

関連論文リスト

Accurate Forgetting for Heterogeneous Federated Continual Learning [89.08735771893608]
提案手法は,フェデレーションネットワークにおける従来の知識を選択的に活用する新しい生成再生手法である。我々は,従来の知識の信頼性を定量化するために,正規化フローモデルに基づく確率的フレームワークを用いる。
論文参考訳（メタデータ） (2025-02-20T02:35:17Z)
A Tutorial of Personalized Federated Recommender Systems: Recent Advances and Future Directions [19.74113941915374]
パーソナライゼーションはレコメンデーションシステム(RecSys)の基盤となる。 FedRecSysを使えば、ユーザーは個人データをローカルに保持でき、グローバルモデルトレーニングのプライバシー感度が低いモデルパラメータのみを共有できる。本チュートリアルでは,(1)PFedRecSysの既存研究の概要,(2)PFedRecSysの包括的分類,(3)PFedRecSysにおけるオープン課題の探求,将来的な方向性について紹介する。
論文参考訳（メタデータ） (2024-12-11T03:33:51Z)
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)
CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文参考訳（メタデータ） (2024-08-26T16:21:50Z)
A Federated Framework for LLM-based Recommendation [65.12855401912948]
大規模言語モデル(LLM)は、微調整されたユーザ行動データを通じて生成レコメンデーションシステムに権限を与えている。ユーザーデータを利用すると、重大なプライバシー上のリスクが発生し、倫理上のジレンマやデータ保護規則違反につながる可能性がある。プライバシー問題に対処するため、Fed4Rec(Federated Learning for Recommendation)が有望なソリューションとして特定されている。
論文参考訳（メタデータ） (2024-02-15T14:09:28Z)
User Consented Federated Recommender System Against Personalized Attribute Inference Attack [55.24441467292359]
本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。 UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
論文参考訳（メタデータ） (2023-12-23T09:44:57Z)
FedRec+: Enhancing Privacy and Addressing Heterogeneity in Federated Recommendation Systems [15.463595798992621]
FedRec+は、フェデレーションレコメンデーションシステムのためのアンサンブルフレームワークである。プライバシーを強化し、エッジユーザの通信コストを低減します。 FedRec+の最先端性能を示す実験結果が得られた。
論文参考訳（メタデータ） (2023-10-31T05:36:53Z)
Cali3F: Calibrated Fast Fair Federated Recommendation System [25.388324221293203]
提案手法は,推薦性能の公平性を改善するために,パーソナライズされた推薦システムトレーニングアルゴリズムを提案する。次に、トレーニングプロセスの高速化のためにクラスタリングベースのアグリゲーション手法を採用する。 Cali3Fは、キャリブレーションされた高速かつ公正な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。
論文参考訳（メタデータ） (2022-05-26T03:05:26Z)
A Federated Multi-View Deep Learning Framework for Privacy-Preserving Recommendations [25.484225182093947]
プライバシー保護の勧告は、ユーザーのプライバシーとデータセキュリティに対する懸念から、勢いを増している。 FedRecアルゴリズムは、パーソナライズされたプライバシー保護レコメンデーションを実現するために提案されている。本稿では,汎用コンテンツベースフェデレーション型マルチビューレコメンデーションフレームワークFLMV-DSSMを提案する。
論文参考訳（メタデータ） (2020-08-25T04:19:40Z)
Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。