論文の概要: Learning Evolving Preferences: A Federated Continual Framework for User-Centric Recommendation

• arxiv url: http://arxiv.org/abs/2603.17315v1
• Date: Wed, 18 Mar 2026 03:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.497012
• Title: Learning Evolving Preferences: A Federated Continual Framework for User-Centric Recommendation
• Title（参考訳）: 嗜好を進化させる学習: ユーザ中心の勧告のための連帯型継続的フレームワーク
• Authors: Chunxu Zhang, Zhiheng Xue, Guodong Long, Weipeng Zhang, Bo Yang,
• Abstract要約: プライバシ保護方式で長期的なパーソナライズを支援するために設計された,連合型継続的レコメンデーションフレームワークを提案する。 異種ユーザデータに基づく協調パーソナライゼーションを実現するために,類似ユーザからの知識を用いて,各クライアントの表現を豊かにするユーザ間プロトタイプ転送機構を設計する。
• 参考スコア（独自算出の注目度）: 31.291470103268555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User-centric recommendation has become essential for delivering personalized services, as it enables systems to adapt to users' evolving behaviors while respecting their long-term preferences and privacy constraints. Although federated learning offers a promising alternative to centralized training, existing approaches largely overlook user behavior dynamics, leading to temporal forgetting and weakened collaborative personalization. In this work, we propose FCUCR, a federated continual recommendation framework designed to support long-term personalization in a privacy-preserving manner. To address temporal forgetting, we introduce a time-aware self-distillation strategy that implicitly retains historical preferences during local model updates. To tackle collaborative personalization under heterogeneous user data, we design an inter-user prototype transfer mechanism that enriches each client's representation using knowledge from similar users while preserving individual decision logic. Extensive experiments on four public benchmarks demonstrate the superior effectiveness of our approach, along with strong compatibility and practical applicability. Code is available.
• Abstract（参考訳）: ユーザ中心のレコメンデーションは、パーソナライズされたサービスの提供に欠かせないものになっている。 連合学習は、集中型トレーニングに代わる有望な代替手段を提供するが、既存のアプローチは、主にユーザの振る舞いのダイナミクスを見落とし、時間的忘れ去られ、協調的なパーソナライゼーションが弱まる。 本研究では,長期パーソナライゼーションをプライバシ保護方式で支援するフェデレーション型継続的レコメンデーションフレームワークであるFCUCRを提案する。 時間的忘れに対処するため,局所モデル更新時の履歴的嗜好を暗黙的に保持する時間的自己蒸留戦略を導入する。 異種ユーザデータに基づく協調的パーソナライゼーションに取り組むために,ユーザ間のプロトタイプ転送機構を設計する。 4つの公開ベンチマークでの大規模な実験は、強い互換性と実用的な適用性とともに、我々のアプローチの優れた効果を示す。 コードは利用可能。

関連論文リスト

• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• SPRInG: Continual LLM Personalization via Selective Parametric Adaptation and Retrieval-Interpolated Generation [11.253466187411524]
  SPRInGは、効果的な継続パーソナライズを目的とした、新しい半パラメトリックフレームワークである。 訓練中、SPRInGはドリフト駆動の選択的適応を採用しており、これは確率に基づくスコアリング機能を用いて高能率相互作用を識別する。 長期のパーソナライズされた生成ベンチマークの実験は、SPRInGが既存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） (2026-01-15T01:32:27Z)
• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• Towards Proactive Personalization through Profile Customization for Individual Users in Dialogues [28.522406727886395]
  PersonalAgentは、ユーザの好みを継続的に推測し、適応するように設計された、生涯にわたるエージェントである。 実験により、PersonalAgentは強力なプロンプトベースおよびポリシー最適化ベースラインよりも優れたパフォーマンスを達成できることが示された。 本研究は、より包括的で適応的な会話エージェントを開発するために、生涯のパーソナライズの重要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-12-17T10:47:06Z)
• Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles [0.4885400580268118]
  大規模言語モデル(LLM)はAIエージェントの中央制御ユニットとしての役割を担っている。 本稿では、パーソナライズされた長期的なインタラクションを実現するために、永続メモリ、動的コーディネーション、自己検証、およびユーザプロファイルの進化を統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T08:22:16Z)
• Compositions of Variant Experts for Integrating Short-Term and Long-Term Preferences [22.769456275892477]
  本稿では,推奨性能を高めるために,短期と長期の選好を組み合わせたフレームワークを提案する。 この新しいフレームワークは、異なる専門的なレコメンデーションモデルを使用することで、短期および長期の好みを動的に統合する。
  論文  参考訳（メタデータ） (2025-06-29T10:09:33Z)
• 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)
• Federated Adaptation for Foundation Model-based Recommendations [29.86114788739202]
  プライバシ保存方式で基礎モデルに基づくレコメンデーションシステムを強化するための新しい適応機構を提案する。 ユーザのプライベートな行動データは、サーバと共有されないため、安全である。 4つのベンチマークデータセットの実験結果から,提案手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-05-08T06:27:07Z)
• User Consented Federated Recommender System Against Personalized Attribute Inference Attack [55.24441467292359]
  本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。 UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
  論文  参考訳（メタデータ） (2023-12-23T09:44:57Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。