論文の概要: MDiffFR: Modality-Guided Diffusion Generation for Cold-start Items in Federated Recommendation

• arxiv url: http://arxiv.org/abs/2512.24715v1
• Date: Wed, 31 Dec 2025 08:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.610107
• Title: MDiffFR: Modality-Guided Diffusion Generation for Cold-start Items in Federated Recommendation
• Title（参考訳）: MDiffFR:Federated Recommendationにおけるコールドスタート項目のモダリティ誘導拡散生成
• Authors: Kang Fu, Honglei Zhang, Xuechao Zou, Yidong Li,
• Abstract要約: フェデレートされたレコメンデーション(FR)は、ローカルクライアントにユーザデータを保管することで、ユーザのプライバシを保護しながら、パーソナライズされたサービスを提供する。 FRに固有の厳格なプライバシ制約のため、クライアント間でのユーザとイテムのインタラクションデータやユーザプロファイルへのアクセスは極めて制限されている。 そこで本研究では,冷間開始項目に対する新世代モード誘導拡散法MDiffFRを提案する。
• 参考スコア（独自算出の注目度）: 21.56907456486488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated recommendations (FRs) provide personalized services while preserving user privacy by keeping user data on local clients, which has attracted significant attention in recent years. However, due to the strict privacy constraints inherent in FRs, access to user-item interaction data and user profiles across clients is highly restricted, making it difficult to learn globally effective representations for new (cold-start) items. Consequently, the item cold-start problem becomes even more challenging in FRs. Existing solutions typically predict embeddings for new items through the attribute-to-embedding mapping paradigm, which establishes a fixed one-to-one correspondence between item attributes and their embeddings. However, this one-to-one mapping paradigm often fails to model varying data distributions and tends to cause embedding misalignment, as verified by our empirical studies. To this end, we propose MDiffFR, a novel generation-based modality-guided diffusion method for cold-start items in FRs. In this framework, we employ a tailored diffusion model on the server to generate embeddings for new items, which are then distributed to clients for cold-start inference. To align item semantics, we deploy a pre-trained modality encoder to extract modality features as conditional signals to guide the reverse denoising process. Furthermore, our theoretical analysis verifies that the proposed method achieves stronger privacy guarantees compared to existing mapping-based approaches. Extensive experiments on four real datasets demonstrate that our method consistently outperforms all baselines in FRs.
• Abstract（参考訳）: フェデレーションレコメンデーション(FR)は、ローカルクライアントにユーザデータを保管することで、ユーザのプライバシを維持しながらパーソナライズされたサービスを提供する。 しかし、FRに固有の厳格なプライバシー制約のため、クライアント間でのユーザとイテムのインタラクションデータやユーザプロファイルへのアクセスは非常に制限されており、新しい(コールドスタート)アイテムのグローバルな効率的な表現を学習することは困難である。 その結果、FRでは、アイテムコールドスタート問題はさらに困難になる。 既存のソリューションは通常、属性から埋め込みへのマッピングパラダイムを通じて新しいアイテムへの埋め込みを予測し、アイテム属性とその埋め込みの間の固定された1対1対応を確立する。 しかし、この1対1のマッピングパラダイムは、様々なデータ分布のモデル化に失敗することが多く、経験的な研究で検証されているように、埋め込みミスアライメントを引き起こす傾向がある。 そこで本研究では,新世代モード誘導拡散法MDiffFRを提案する。 このフレームワークでは,サーバ上に最適化された拡散モデルを用いて新しいアイテムの埋め込みを生成し,コールドスタート推論のためにクライアントに配布する。 項目のセマンティクスを整合させるために,事前学習したモダリティエンコーダを配置し,条件信号としてモダリティ特徴を抽出し,逆復調過程を導出する。 さらに,提案手法が既存のマッピング手法と比較して,より強力なプライバシー保証を実現することを理論的に検証した。 4つの実データセットに対する大規模な実験は、我々の手法がFRの全てのベースラインを一貫して上回ることを示した。

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)
• Deploying Models to Non-participating Clients in Federated Learning without Fine-tuning: A Hypernetwork-based Approach [22.030687488408496]
  フェデレートラーニング(FL)は、プライバシー保護のための協調学習のための有望なパラダイムとして登場した。 本稿では,分布認識型埋め込みを前提としたハイパーネットワークを用いて,特殊モデルを動的に生成するHyperFedZeroを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:11:51Z)
• Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
  クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。 本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:22:37Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• One-Shot Heterogeneous Federated Learning with Local Model-Guided Diffusion Models [40.83058938096914]
  FedLMGは局所モデル誘導拡散モデルを用いた単発フェデレーション学習法である。 クライアントはファンデーションモデルにアクセスする必要はなく、ローカルモデルのトレーニングとアップロードのみを行う。
  論文  参考訳（メタデータ） (2023-11-15T11:11:25Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative Joint Matrix Factorization and Knowledge Distillation [7.621960305708476]
  我々はNMF結合因子化に基づく最初の教師なしワンショットフェデレーションCF実装であるFedSPLITを提案する。 FedSPLITは、コミュニケーションの数を大幅に減らすことで、技術の現状と類似した結果を得ることができる(特定の状況では、それよりも優れている)。
  論文  参考訳（メタデータ） (2022-05-04T23:42:14Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)

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。