論文の概要: Learning to Collaborate via Structures: Cluster-Guided Item Alignment for Federated Recommendation

• arxiv url: http://arxiv.org/abs/2602.21957v1
• Date: Wed, 25 Feb 2026 14:39:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.86712
• Title: Learning to Collaborate via Structures: Cluster-Guided Item Alignment for Federated Recommendation
• Title（参考訳）: 構造化によるコラボレートの学習:フェデレート勧告のためのクラスタガイド項目アライメント
• Authors: Yuchun Tu, Zhiwei Li, Bingli Sun, Yixuan Li, Xiao Song,
• Abstract要約: フェデレートされたレコメンデーションは、機密性の高いユーザインタラクションデータをローカルに保ちながら、分散クライアント間のコラボレーティブモデルトレーニングを促進する。 我々は、アップロードされた埋め込みをコンパクトなクラスタラベルに変換するフレームワークであるCluster-Guided FedRecフレームワーク(CGFedRec)を提案する。
• 参考スコア（独自算出の注目度）: 20.406834399432544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated recommendation facilitates collaborative model training across distributed clients while keeping sensitive user interaction data local. Conventional approaches typically rely on synchronizing high-dimensional item representations between the server and clients. This paradigm implicitly assumes that precise geometric alignment of embedding coordinates is necessary for collaboration across clients. We posit that establishing relative semantic relationships among items is more effective than enforcing shared representations. Specifically, global semantic relations serve as structural constraints for items. Within these constraints, the framework allows item representations to vary locally on each client, which flexibility enables the model to capture fine-grained user personalization while maintaining global consistency. To this end, we propose Cluster-Guided FedRec framework (CGFedRec), a framework that transforms uploaded embeddings into compact cluster labels. In this framework, the server functions as a global structure discoverer to learn item clusters and distributes only the resulting labels. This mechanism explicitly cuts off the downstream transmission of item embeddings, relieving clients from maintaining global shared item embeddings. Consequently, CGFedRec achieves the effective injection of global collaborative signals into local item representations without transmitting full embeddings. Extensive experiments demonstrate that our approach significantly improves communication efficiency while maintaining superior recommendation accuracy across multiple datasets.
• Abstract（参考訳）: フェデレートされたレコメンデーションは、機密性の高いユーザインタラクションデータをローカルに保ちながら、分散クライアント間のコラボレーティブモデルトレーニングを促進する。 従来のアプローチは、通常、サーバとクライアントの間で高次元のアイテム表現を同期させることに依存します。 このパラダイムは、クライアント間の協調には埋め込み座標の正確な幾何学的アライメントが必要であることを暗黙的に仮定する。 アイテム間の相対的な意味関係を確立することは、共有表現を強制するよりも効果的である、と仮定する。 特に、グローバルな意味関係はアイテムの構造的制約として機能する。 これらの制約の中で、このフレームワークは各クライアント上でアイテム表現をローカルに変更することができ、柔軟性により、グローバルな一貫性を維持しながら、きめ細かいユーザーパーソナライゼーションを捉えることができる。 この目的のために、アップロードされた埋め込みをコンパクトなクラスタラベルに変換するフレームワークであるCluster-Guided FedRec framework (CGFedRec)を提案する。 このフレームワークでは、サーバはグローバルな構造発見者として機能し、アイテムクラスタを学習し、結果のラベルのみを配布する。 このメカニズムは、アイテムの埋め込みの下流の送信を明示的に遮断し、クライアントがグローバルな共有アイテムの埋め込みを維持するのを防ぎます。 その結果、CGFedRecは、完全な埋め込みを送信せずに、グローバルな協調シグナルを局所的なアイテム表現に効果的に注入する。 大規模な実験により,複数のデータセットに対して優れたレコメンデーション精度を維持しつつ,通信効率を大幅に向上することが示された。

関連論文リスト

• 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)
• 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)
• Learning to Collaborate Over Graphs: A Selective Federated Multi-Task Learning Approach [34.756818299081736]
  本稿では,クライアント毎にパーソナライズされた学習を可能にするために,クライアント間の類似性を活用した新しいマルチタスク学習手法を提案する。 本稿では,クライアントのローカルクラスから学んだ特徴を要約したコンパクトなベクトル表現である特徴アンカーを導入する通信効率の高いスキームを提案する。 さらに、クライアントは分類ヘッド、軽量の線形層を共有し、グラフベースの正規化を実行し、クライアント間のコラボレーションを可能にする。
  論文  参考訳（メタデータ） (2025-06-11T18:39:18Z)
• Federated Class-Incremental Learning: A Hybrid Approach Using Latent Exemplars and Data-Free Techniques to Address Local and Global Forgetting [10.061328213032088]
  FCIL(Federated Class-Incremental Learning)とは、動的に変化するクライアントの数が、継続的に増加するタスク数を共同で学習するシナリオを指す。 我々は,局所的およびグローバルな忘れを定式化するFCILの数学的枠組みを開発する。 局所的, グローバルな忘れを解消するために, 潜在例とデータフリー手法を利用したHybrid Rehearsalという手法を提案する。
  論文  参考訳（メタデータ） (2025-01-26T01:08:01Z)
• 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)
• 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)
• Efficient Distribution Similarity Identification in Clustered Federated Learning via Principal Angles Between Client Data Subspaces [59.33965805898736]
  クラスタ学習は、クライアントをクラスタにグループ化することで、有望な結果をもたらすことが示されている。 既存のFLアルゴリズムは基本的に、クライアントを同様のディストリビューションでグループ化しようとしている。 以前のFLアルゴリズムは、訓練中に間接的に類似性を試みていた。
  論文  参考訳（メタデータ） (2022-09-21T17:37:54Z)

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。