Fugu-MT 論文翻訳(概要): Federated Consistency- and Complementarity-aware Consensus-enhanced Recommendation

論文の概要: Federated Consistency- and Complementarity-aware Consensus-enhanced Recommendation

arxiv url: http://arxiv.org/abs/2509.22659v1
Date: Wed, 27 Aug 2025 08:47:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-14 18:18:52.724243
Title: Federated Consistency- and Complementarity-aware Consensus-enhanced Recommendation
Title（参考訳）: フェデレート一貫性と相補性に配慮したコンセンサス強化勧告
Authors: Yunqi Mi, Boyang Yan, Guoshuai Zhao, Jialie Shen, Xueming Qian,
Abstract要約: 個人化されたFedRecのための textbfFederated textbfConsistency- and textbfComplementarity-aware textbfConsensus-enhanced textbfRecommendation (Fed3CR) 法を提案する。 4つの実世界のデータセットの実験は、Fed3CRの優れたパフォーマンスを示している。
参考スコア（独自算出の注目度）: 35.78577182946339
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Personalized federated recommendation system (FedRec) has gained significant attention for its ability to preserve privacy in delivering tailored recommendations. To alleviate the statistical heterogeneity challenges among clients and improve personalization, decoupling item embeddings into the server and client-specific views has become a promising way. Among them, the global item embedding table serves as a consensus representation that integrates and reflects the collective patterns across all clients. However, the inherent sparsity and high uniformity of interaction data from massive-scale clients results in degraded consensus and insufficient decoupling, reducing consensus's utility. To this end, we propose a \textbf{Fed}erated \textbf{C}onsistency- and \textbf{C}omplementarity-aware \textbf{C}onsensus-enhanced \textbf{R}ecommendation (Fed3CR) method for personalized FedRec. To improve the efficiency of the utilization of consensus, we propose an \textbf{A}daptive \textbf{C}onsensus \textbf{E}nhancement (ACE) strategy to learn the relationship between global and client-specific item embeddings. It enables the client to adaptively enhance specific information in the consensus, transforming it into a form that best suits itself. To improve the quality of decoupling, we propose a \textbf{C}onsistency- and \textbf{C}omplementarity-aware \textbf{O}ptimization (C2O) strategy, which helps to learn more effective and complementary representations. Notably, our proposed Fed3CR is a plug-and-play method, which can be integrated with other FedRec methods to improve its performance. Extensive experiments on four real-world datasets represent the superior performance of Fed3CR.
Abstract（参考訳）: パーソナライズド・フェデレーション・レコメンデーション・システム(FedRec)は、カスタマイズされたレコメンデーションの提供においてプライバシを維持する能力に対して大きな注目を集めている。クライアント間の統計的不均一性を緩和し、パーソナライズを改善するために、アイテムの埋め込みをサーバに分離し、クライアント固有のビューが有望な方法となっている。その中でも、グローバルアイテムの埋め込みテーブルは、すべてのクライアントの集合パターンを統合し、反映するコンセンサス表現として機能します。しかし、大規模なクライアントからのインタラクションデータの本質的にのばらつきと高い均一性は、劣化したコンセンサスと不十分なデカップリングをもたらし、コンセンサスの有用性を低下させる。この目的のために、パーソナライズされたFedRecのための \textbf{Fed}erated \textbf{C}onsistency- および \textbf{C}omplementarity-aware \textbf{C}onsensus-enhanced \textbf{R}ecommendation (Fed3CR) 法を提案する。コンセンサスの利用効率を向上させるため,グローバルなアイテムとクライアント固有のアイテムの埋め込みの関係を学習するために,textbf{A}daptive \textbf{C}onsensus \textbf{E}nhancement (ACE)戦略を提案する。これにより、クライアントはコンセンサス内の特定の情報を適応的に強化し、最適なフォームに変換することができます。疎結合の質を向上させるために,より効果的で相補的な表現を学習するための戦略として, {textbf{C}onsistency- and \textbf{C}omplementarity-aware \textbf{O}ptimization (C2O)を提案する。特に,提案するFed3CRは,他のFedRecメソッドと統合して性能を向上するプラグイン・アンド・プレイ方式である。 4つの実世界のデータセットに対する大規模な実験は、Fed3CRの優れたパフォーマンスを示している。

関連論文リスト

Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
論文参考訳（メタデータ） (2025-11-14T03:05:22Z)
CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
論文参考訳（メタデータ） (2025-10-23T05:10:06Z)
A Model-agnostic Strategy to Mitigate Embedding Degradation in Personalized Federated Recommendation [34.915843795521134]
パーソナライズされた埋め込みユーティリティを強化するための新しいモデルに依存しないFedRec戦略を提案する。 PLGCは、次元崩壊問題を緩和する連邦勧告における最初の研究である。
論文参考訳（メタデータ） (2025-08-27T06:03:52Z)
Far From Sight, Far From Mind: Inverse Distance Weighting for Graph Federated Recommendation [2.8449839307925955]
Dist-FedAvgはグラフフェデレーション学習におけるパーソナライズとアグリゲーション効率を向上させるために設計された,新しい距離ベースアグリゲーション手法である。本手法は,同種の埋め込みを行うユーザに対して高い集約重みを付与すると同時に,アンカーユーザがローカル更新に大きな影響を与えることを保証する。
論文参考訳（メタデータ） (2025-07-02T01:57:58Z)
Co-clustering for Federated Recommender System [33.70723179405055]
Federated Recommender System(FRS)は、高品質なレコメンデーションの提供とユーザのプライバシの保護のバランスをとるソリューションを提供する。パーソナライズされた意思決定パターンによって一般的に観察されるFRSにおける統計的不均一性の存在は、課題を引き起こす可能性がある。本稿では,Co-clustering Federated RecommendationメカニズムであるCoFedRecを提案する。
論文参考訳（メタデータ） (2024-11-03T21:32:07Z)
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)
Personalized Federated Knowledge Graph Embedding with Client-Wise Relation Graph [49.66272783945571]
クライアント関係グラフを用いた個人化フェデレーション知識グラフを提案する。 PFedEGは、近隣のクライアントから埋め込まれたエンティティを集約することで、各クライアントに対してパーソナライズされた補完知識を学習する。我々は4つのベンチマークデータセットの広範な実験を行い、その手法を最先端モデルに対して評価する。
論文参考訳（メタデータ） (2024-06-17T17:44:53Z)
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文参考訳（メタデータ） (2023-11-06T01:33:24Z)
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)

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。