論文の概要: Feature-Indexed Federated Recommendation with Residual-Quantized Codebooks

• arxiv url: http://arxiv.org/abs/2601.18570v1
• Date: Mon, 26 Jan 2026 15:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.89169
• Title: Feature-Indexed Federated Recommendation with Residual-Quantized Codebooks
• Title（参考訳）: Residual-Quantized Codebook を用いた特徴指示型フェデレーション
• Authors: Mingzhe Han, Jiahao Liu, Dongsheng Li, Hansu Gu, Peng Zhang, Ning Gu, Tun Lu,
• Abstract要約: フェデレートされたレコメンデーションは、ユーザインタラクションを集中化せずにレコメンデーションシステムのトレーニングのためのプライバシ保護ソリューションを提供する。 既存の方法は、クライアントとサーバ間のすべてのアイテムの埋め込みを送信するIDインデックス通信パラダイムに従っている。 本稿では,機能コード埋め込みを生の項目埋め込みではなく,コードブックとして送信する機能インデックス通信パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 46.030830470105236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated recommendation provides a privacy-preserving solution for training recommender systems without centralizing user interactions. However, existing methods follow an ID-indexed communication paradigm that transmit whole item embeddings between clients and the server, which has three major limitations: 1) consumes uncontrollable communication resources, 2) the uploaded item information cannot generalize to related non-interacted items, and 3) is sensitive to client noisy feedback. To solve these problems, it is necessary to fundamentally change the existing ID-indexed communication paradigm. Therefore, we propose a feature-indexed communication paradigm that transmits feature code embeddings as codebooks rather than raw item embeddings. Building on this paradigm, we present RQFedRec, which assigns each item a list of discrete code IDs via Residual Quantization (RQ)-Kmeans. Each client generates and trains code embeddings as codebooks based on discrete code IDs provided by the server, and the server collects and aggregates these codebooks rather than item embeddings. This design makes communication controllable since the codebooks could cover all items, enabling updates to propagate across related items in same code ID. In addition, since code embedding represents many items, which is more robust to a single noisy item. To jointly capture semantic and collaborative information, RQFedRec further adopts a collaborative-semantic dual-channel aggregation with a curriculum strategy that emphasizes semantic codes early and gradually increases the contribution of collaborative codes over training. Extensive experiments on real-world datasets demonstrate that RQFedRec consistently outperforms state-of-the-art federated recommendation baselines while significantly reducing communication overhead.
• Abstract（参考訳）: フェデレートされたレコメンデーションは、ユーザインタラクションを集中化せずにレコメンデーションシステムのトレーニングのためのプライバシ保護ソリューションを提供する。 しかし、既存のメソッドは、クライアントとサーバ間のすべてのアイテムの埋め込みを送信するIDインデックス通信パラダイムに従っている。 1)制御不能な通信資源を消費する。 2 アップロードされた商品情報は、関連しない商品に一般化することができず、 3) クライアントのノイズフィードバックに敏感です。 これらの問題を解決するためには、既存のIDインデックス通信パラダイムを根本的に変える必要がある。 そこで本稿では,特徴コード埋め込みを生の項目埋め込みではなく,コードブックとして伝達する特徴インデックス通信パラダイムを提案する。 このパラダイムに基づいて、各項目にResidual Quantization (RQ)-Kmeansを介して個別のコードIDのリストを割り当てるRQFedRecを提案する。 各クライアントは、サーバが提供する個別のコードIDに基づいてコードブックとしてコード埋め込みを生成して訓練し、サーバはアイテムの埋め込みではなく、これらのコードブックを収集して集約する。 この設計により、コードブックがすべての項目をカバーすることができ、関連する項目を同じコードIDで伝達できるため、通信を制御できる。 さらに、コードの埋め込みは多くのアイテムを表しており、単一のノイズのあるアイテムに対してより堅牢である。 RQFedRecは、セマンティックとコラボレーティブな情報を共同でキャプチャするために、セマンティックなコードを強調するカリキュラム戦略と、協調的なセマンティックなデュアルチャネルアグリゲーションを採用する。 実世界のデータセットに関する大規模な実験により、RQFedRecは、最先端のフェデレーション推奨ベースラインを一貫して上回り、通信オーバーヘッドを大幅に削減することを示した。

関連論文リスト

• Universal Item Tokenization for Transferable Generative Recommendation [89.42584009980676]
  本稿では、転送可能な生成レコメンデーションのためのユニバーサルアイテムトークン化手法であるUTGRecを提案する。 木構造コードブックを考案することにより、コンテンツ表現をアイテムトークン化のための対応するコードに識別する。 生のコンテンツ再構成には、アイテムテキストとイメージを離散表現から再構成するために、デュアルライトウェイトデコーダを用いる。 協調的知識統合においては,共起的アイテムが類似していると仮定し,共起的アライメントと再構築を通じて協調的信号を統合する。
  論文  参考訳（メタデータ） (2025-04-06T08:07:49Z)
• Generative Retrieval and Alignment Model: A New Paradigm for E-commerce Retrieval [12.318142818707317]
  本稿では,GRAM(Generative Retrieval and Alignment Model)という新しいeコマース検索パラダイムを紹介する。 GRAMは、クエリと製品の両方からのテキスト情報を共同でトレーニングして、共有テキストコードを生成する。 GRAMは従来のモデルと最新の生成的検索モデルを大きく上回っている。
  論文  参考訳（メタデータ） (2025-04-02T06:40:09Z)
• Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation [91.13055384151897]
  CCFRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-03-15T15:54:44Z)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)

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。