論文の概要: Graph Federated Learning for Personalized Privacy Recommendation

• arxiv url: http://arxiv.org/abs/2508.06208v1
• Date: Fri, 08 Aug 2025 10:44:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.202476
• Title: Graph Federated Learning for Personalized Privacy Recommendation
• Title（参考訳）: 個人化プライバシ勧告のためのグラフフェデレーション学習
• Authors: Ce Na, Kai Yang, Dengzhao Fang, Yu Li, Jingtong Gao, Chengcheng Zhu, Jiale Zhang, Xiaobing Sun, Yi Chang,
• Abstract要約: 本稿では,個人化プライバシ勧告のためのグラフフェデレーション学習(GFed-PP)を提案する。 GFed-PPは、レコメンデーションパフォーマンスを改善しながら、異なるプライバシ要件に適合する。 5つのデータセットで既存のメソッドよりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 23.610676605827294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated recommendation systems (FedRecs) have gained significant attention for providing privacy-preserving recommendation services. However, existing FedRecs assume that all users have the same requirements for privacy protection, i.e., they do not upload any data to the server. The approaches overlook the potential to enhance the recommendation service by utilizing publicly available user data. In real-world applications, users can choose to be private or public. Private users' interaction data is not shared, while public users' interaction data can be shared. Inspired by the issue, this paper proposes a novel Graph Federated Learning for Personalized Privacy Recommendation (GFed-PP) that adapts to different privacy requirements while improving recommendation performance. GFed-PP incorporates the interaction data of public users to build a user-item interaction graph, which is then used to form a user relationship graph. A lightweight graph convolutional network (GCN) is employed to learn each user's user-specific personalized item embedding. To protect user privacy, each client learns the user embedding and the scoring function locally. Additionally, GFed-PP achieves optimization of the federated recommendation framework through the initialization of item embedding on clients and the aggregation of the user relationship graph on the server. Experimental results demonstrate that GFed-PP significantly outperforms existing methods for five datasets, offering superior recommendation accuracy without compromising privacy. This framework provides a practical solution for accommodating varying privacy preferences in federated recommendation systems.
• Abstract（参考訳）: フェデレーションレコメンデーションシステム(FedRecs)は、プライバシ保護レコメンデーションサービスの提供において大きな注目を集めている。 しかし、既存のFedRecsは、すべてのユーザーが同じプライバシー保護要件を持っていると仮定している。 このアプローチは、一般公開されたユーザデータを活用することで、レコメンデーションサービスを強化する可能性を見落としている。 現実世界のアプリケーションでは、ユーザーはプライベートかパブリックかを選ぶことができる。 プライベートユーザーのインタラクションデータは共有されないが、パブリックユーザーのインタラクションデータは共有できる。 この問題に触発されて,推薦性能を改善しつつ,異なるプライバシ要件に適応するグラフ・フェデレート・ラーニング・フォー・パーソナライズド・プライバシ・レコメンデーション(GFed-PP)を提案する。 GFed-PPは、公開ユーザのインタラクションデータを組み込んで、ユーザ-itemインタラクショングラフを構築し、ユーザ関係グラフを形成する。 軽量グラフ畳み込みネットワーク(GCN)を使用して、ユーザのユーザ固有のパーソナライズされたアイテムの埋め込みを学習する。 ユーザのプライバシを保護するために、各クライアントは、ユーザ埋め込みとスコアリング機能をローカルに学習する。 さらに、GFed-PPは、クライアントへのアイテム埋め込みの初期化と、サーバ上のユーザ関係グラフの集約を通じて、フェデレートされたレコメンデーションフレームワークの最適化を実現する。 実験の結果、GFed-PPは既存の5つのデータセットの手法よりも優れており、プライバシーを損なうことなくより優れたレコメンデーション精度を提供することがわかった。 このフレームワークは、フェデレートされたレコメンデーションシステムにおいて、さまざまなプライバシ優先を調整するための実用的なソリューションを提供する。

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)
• 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)
• 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)
• 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)
• 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)
• 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)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)

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。