論文の概要: A Scenario-Oriented Survey of Federated Recommender Systems: Techniques, Challenges, and Future Directions

• arxiv url: http://arxiv.org/abs/2508.19620v1
• Date: Wed, 27 Aug 2025 06:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.532862
• Title: A Scenario-Oriented Survey of Federated Recommender Systems: Techniques, Challenges, and Future Directions
• Title（参考訳）: フェデレーションレコメンダシステムのシナリオ指向調査:技術,課題,今後の方向性
• Authors: Yunqi Mi, Jiakui Shen, Guoshuai Zhao, Jialie Shen, Xueming Qian,
• Abstract要約: 本稿では,レコメンデーション研究者と実践者の立場から,レコメンデーションシステムとフェデレーション学習の結合を包括的に分析する。 我々は、シナリオ固有のアプローチ、実践的な課題、潜在的な機会を体系的に分析し、レコメンデーションシナリオとFLフレームワークの間に明確なリンクを確立する。
• 参考スコア（独自算出の注目度）: 34.915843795521134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extending recommender systems to federated learning (FL) frameworks to protect the privacy of users or platforms while making recommendations has recently gained widespread attention in academia. This is due to the natural coupling of recommender systems and federated learning architectures: the data originates from distributed clients (mostly mobile devices held by users), which are highly related to privacy. In a centralized recommender system (CenRec), the central server collects clients' data, trains the model, and provides the service. Whereas in federated recommender systems (FedRec), the step of data collecting is omitted, and the step of model training is offloaded to each client. The server only aggregates the model and other knowledge, thus avoiding client privacy leakage. Some surveys of federated recommender systems discuss and analyze related work from the perspective of designing FL systems. However, their utility drops by ignoring specific recommendation scenarios' unique characteristics and practical challenges. For example, the statistical heterogeneity issue in cross-domain FedRec originates from the label drift of the data held by different platforms, which is mainly caused by the recommender itself, but not the federated architecture. Therefore, it should focus more on solving specific problems in real-world recommendation scenarios to encourage the deployment FedRec. To this end, this review comprehensively analyzes the coupling of recommender systems and federated learning from the perspective of recommendation researchers and practitioners. We establish a clear link between recommendation scenarios and FL frameworks, systematically analyzing scenario-specific approaches, practical challenges, and potential opportunities. We aim to develop guidance for the real-world deployment of FedRec, bridging the gap between existing research and applications.
• Abstract（参考訳）: ユーザやプラットフォームのプライバシを保護するために、フェデレーション学習(FL)フレームワークにレコメンドシステムを拡張する一方で、レコメンデーションを行うことは、近年、アカデミックで広く注目を集めている。 これはレコメンデータシステムとフェデレートされた学習アーキテクチャの自然な結合によるもので、データは分散クライアント(主にユーザによって保持されるモバイルデバイス)が起源であり、プライバシに非常に関係している。 集中型レコメンダシステム(CenRec)では、中央サーバがクライアントのデータを収集し、モデルをトレーニングし、サービスを提供する。 フェデレートされたレコメンデータシステム(FedRec)では、データ収集のステップが省略され、モデルトレーニングのステップが各クライアントにオフロードされる。 サーバはモデルやその他の知識のみを集約し、クライアントのプライバシリークを回避する。 連邦推薦システムに関するいくつかの調査は、FLシステムの設計の観点から関連する研究を論じ、分析する。 しかし、それらのユーティリティは、特定のレコメンデーションシナリオの固有の特徴と実践上の課題を無視して低下する。 例えば、クロスドメインのFedRecにおける統計的不均一性問題は、さまざまなプラットフォームが保持するデータのラベルのドリフトに起因している。 したがって、FedRecのデプロイを奨励するためには、現実世界のレコメンデーションシナリオで特定の問題を解決することに注力する必要がある。 そこで本研究では,レコメンデーション研究者と実践者の立場から,レコメンデーションシステムとフェデレーション学習の結合を包括的に分析する。 我々は、シナリオ固有のアプローチ、実践的な課題、潜在的な機会を体系的に分析し、レコメンデーションシナリオとFLフレームワークの間に明確なリンクを確立する。 我々は、既存の研究とアプリケーションのギャップを埋めて、FedRecの実際の展開のためのガイダンスを開発することを目的としています。

関連論文リスト

• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• 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)
• FedSlate:A Federated Deep Reinforcement Learning Recommender System [18.641244204682536]
  推薦システムにおける長期ユーザエンゲージメントの最適化に強化学習法が用いられている。 潜在的な解決策の1つは、さまざまなプラットフォームから集中した場所にデータを集約し、集約されたデータをトレーニングに使用することである。 このアプローチは、通信コストの増加やユーザプライバシに対する潜在的な脅威など、経済的および法的懸念を提起する。 法的なレベルでの共有が禁止されている情報を効果的に活用する強化学習推薦アルゴリズムである textbfFedSlate を提案する。
  論文  参考訳（メタデータ） (2024-09-23T10:10:24Z)
• PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System [42.79538136366075]
  本稿では,パラメータを含まないフェデレーション・シーケンシャル・レコメンデーション・フレームワーク(PTF-FSR)を提案する。 PTF-FSRは、サービスプロバイダやシステムユーザのプライバシニーズを満たすために、モデルとデータのプライバシ保護の両方を保証する。
  論文  参考訳（メタデータ） (2024-06-08T07:45:46Z)
• 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)
• Robust Recommender System: A Survey and Future Directions [58.87305602959857]
  まず,悪質な攻撃や自然騒音に耐える現在の手法を整理するための分類法を提案する。 次に、不正検出、敵の訓練、悪意のある攻撃から守るための確実な堅牢な訓練など、各カテゴリにおける最先端の手法を検討する。 さまざまなレコメンデーションシナリオの堅牢性や,正確性や解釈可能性,プライバシ,公正性といった他の特性との相互作用について論じる。
  論文  参考訳（メタデータ） (2023-09-05T08:58:46Z)
• 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)
• How to Put Users in Control of their Data in Federated Top-N Recommendation with Learning to Rank [16.256897977543982]
  FPLは、ユーザがデバイスを離れる機密データの量を制御しながら、中央分解モデルのトレーニングに協力するアーキテクチャである。 提案手法は,フェデレートラーニングの原則に従うことで,ペアワイズ学習とランク最適化を実現する。
  論文  参考訳（メタデータ） (2020-08-17T10:13:15Z)

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。