論文の概要: Multimodal-enhanced Federated Recommendation: A Group-wise Fusion Approach

• arxiv url: http://arxiv.org/abs/2509.19955v1
• Date: Wed, 24 Sep 2025 10:06:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.770199
• Title: Multimodal-enhanced Federated Recommendation: A Group-wise Fusion Approach
• Title（参考訳）: マルチモーダル・エンハンスド・フェデレーション・リコメンデーション:グループワイド・フュージョン・アプローチ
• Authors: Chunxu Zhang, Weipeng Zhang, Guodong Long, Zhiheng Xue, Riting Xia, Bo Yang,
• Abstract要約: フェデレーション・リコメンデーション(FR)は、プライバシ保護方式で学習からランクまでの問題に取り組むための新しい学習パラダイムである。 フェデレーションレコメンデーション設定(GFMFR)における新しいマルチモーダル融合機構を提案する。 マルチモーダル表現学習をサーバにオフロードし、アイテムコンテンツを格納し、高容量エンコーダを使用して表現表現を生成する。
• 参考スコア（独自算出の注目度）: 29.530957799669398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Recommendation (FR) is a new learning paradigm to tackle the learn-to-rank problem in a privacy-preservation manner. How to integrate multi-modality features into federated recommendation is still an open challenge in terms of efficiency, distribution heterogeneity, and fine-grained alignment. To address these challenges, we propose a novel multimodal fusion mechanism in federated recommendation settings (GFMFR). Specifically, it offloads multimodal representation learning to the server, which stores item content and employs a high-capacity encoder to generate expressive representations, alleviating client-side overhead. Moreover, a group-aware item representation fusion approach enables fine-grained knowledge sharing among similar users while retaining individual preferences. The proposed fusion loss could be simply plugged into any existing federated recommender systems empowering their capability by adding multi-modality features. Extensive experiments on five public benchmark datasets demonstrate that GFMFR consistently outperforms state-of-the-art multimodal FR baselines.
• Abstract（参考訳）: フェデレーション・リコメンデーション(FR)は、プライバシ保護方式で学習からランクまでの問題に取り組むための新しい学習パラダイムである。 マルチモダリティ機能をフェデレーションレコメンデーションに統合する方法は、効率性、分布の不均一性、微粒化アライメントの点で依然としてオープンな課題である。 これらの課題に対処するために、フェデレーションレコメンデーション設定(GFMFR)における新しいマルチモーダル融合機構を提案する。 具体的には、マルチモーダル表現学習をサーバにオフロードし、アイテムコンテンツを格納し、高容量エンコーダを使用して表現表現を生成し、クライアント側のオーバーヘッドを軽減する。 さらに、グループ対応アイテム表現融合アプローチにより、個々の好みを維持しつつ、類似ユーザ間でのきめ細かい知識共有が可能となる。 提案された核融合損失は、既存の連邦推薦システムに簡単にプラグインでき、複数のモダリティ機能を追加することでその能力を高めることができる。 5つの公開ベンチマークデータセットに対する大規模な実験は、GFMFRが最先端のマルチモーダルFRベースラインを一貫して上回っていることを示している。

関連論文リスト

• CAMMSR: Category-Guided Attentive Mixture of Experts for Multimodal Sequential Recommendation [23.478610632707728]
  本稿では,マルチモーダルシーケンスレコメンデーションのためのカテゴリー誘導型専門家混合モデルを提案する。 中心となるCAMMSRは、専門的な項目表現を複数の視点から学習する専門家モジュールのカテゴリ誘導注意混合を導入した。 4つの公開データセットの実験は、CAMMSRが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-04T17:39:35Z)
• FeDecider: An LLM-Based Framework for Federated Cross-Domain Recommendation [75.50721642765994]
  大規模言語モデル(LLM)ベースのレコメンデーションモデルは、素晴らしいパフォーマンスを示している。 We propose a LLM-based framework for Federated cross- domain recommendation, FeDecider。 多様なデータセットにわたる大規模な実験により、提案したFeDeciderの有効性が検証された。
  論文  参考訳（メタデータ） (2026-02-17T21:42:28Z)
• MTFM: A Scalable and Alignment-free Foundation Model for Industrial Recommendation in Meituan [28.96814648857816]
  MTFM(Meituan Foundation Model for Recommendation)は,これらの課題に対処するトランスフォーマーベースのフレームワークである。 MTFMは入力を事前に調整する代わりに、クロスドメインデータを異質なトークンに変換し、アライメントのない方法でマルチシナリオの知識をキャプチャする。
  論文  参考訳（メタデータ） (2026-02-11T16:37:29Z)
• PRISM: Personalized Recommendation via Information Synergy Module [12.797662213207936]
  PRISMはシーケンシャルレコメンデーション(SR)のためのプラグイン・アンド・プレイフレームワークである マルチモーダル情報をユニークで冗長でシナジスティックなコンポーネントに分解する。 4つのデータセットと3つのSRバックボーンの実験は、その有効性と汎用性を示している。
  論文  参考訳（メタデータ） (2026-01-16T02:17:54Z)
• One-Shot Hierarchical Federated Clustering [51.490181220883905]
  本稿では,効率的な階層型クラスタリングフレームワークを提案する。 クライアント-エンドの分散探索とサーバ-エンドの分散アグリゲーションを実行する。 クライアント間の複雑なクラスタ分布を効率的に探索できることが判明した。
  論文  参考訳（メタデータ） (2026-01-10T02:58:33Z)
• Federated Multi-Task Clustering [44.73672172790804]
  本稿では,Federated Multi-Task Clustering(FMTC)という新しいフレームワークを提案する。 クライアント側パーソナライズされたクラスタリングモジュールとサーバ側テンソル相関モジュールの2つの主要コンポーネントで構成されている。 乗算器の交互方向法に基づく,効率的なプライバシ保護分散アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-12-28T12:02:32Z)
• Hyper-modal Imputation Diffusion Embedding with Dual-Distillation for Federated Multimodal Knowledge Graph Completion [59.54067771781552]
  本稿では,FedMKGCのマルチモーダル不確実性とマルチモーダルクライアントの不均一性問題に対処するMMFeD3-HidEというフレームワークを提案する。 本稿では,MMFedEという一般的なFedMKGCバックボーン,異種マルチモーダル情報を持つデータセット,構築されたベースラインの3つのグループからなる総合評価のためのFedMKGCベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:32:58Z)
• 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)
• Mirror Gradient: Towards Robust Multimodal Recommender Systems via Exploring Flat Local Minima [54.06000767038741]
  フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。 我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。 提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
  論文  参考訳（メタデータ） (2024-02-17T12:27:30Z)
• Hypernetwork-Driven Model Fusion for Federated Domain Generalization [26.492360039272942]
  フェデレートラーニング(FL)は、異種データのドメインシフトにおいて大きな課題に直面します。 非線形アグリゲーションにハイパーネットワークを用いた、ハイパーネットワークベースのフェデレート・フュージョン(hFedF)と呼ばれるロバストなフレームワークを提案する。 本手法では,ドメインの一般化を効果的に管理するために,クライアント固有の埋め込みと勾配アライメント手法を用いる。
  論文  参考訳（メタデータ） (2024-02-10T15:42:03Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• FedFM: Anchor-based Feature Matching for Data Heterogeneity in Federated Learning [91.74206675452888]
  本稿では,各クライアントの特徴を共有カテゴリーのアンカーにマッチさせる新しいFedFM法を提案する。 効率と柔軟性を向上させるため,FedFM-Liteと呼ばれるFedFM変種を提案し,クライアントは同期時間と通信帯域幅のコストを少なくしてサーバと通信する。
  論文  参考訳（メタデータ） (2022-10-14T08:11:34Z)
• Federated Multi-view Matrix Factorization for Personalized Recommendations [53.74747022749739]
  本稿では,フェデレートされた学習フレームワークを,複数のデータソースを用いた行列分解に拡張する,フェデレートされたマルチビュー行列分解手法を提案する。 本手法では,ユーザの個人情報を中央サーバに転送することなく,マルチビューモデルを学習することができる。
  論文  参考訳（メタデータ） (2020-04-08T21:07:50Z)
• Meta Matrix Factorization for Federated Rating Predictions [84.69112252208468]
  フェデレートされたレコメンデーターシステムは、従来のレコメンデーターシステムよりもプライバシー保護という点で明確なアドバンテージを持っている。 フェデレートされたレコメンデータシステムに関するこれまでの研究は、モバイル環境におけるストレージ、RAM、エネルギ、通信帯域の制限を十分に考慮していない。 本研究の目的は,モバイル環境を対象としたレーティング予測(RP)のための新しい統合学習フレームワークを設計することである。
  論文  参考訳（メタデータ） (2019-10-22T16:29:51Z)

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。