論文の概要: Low-pass Personalized Subgraph Federated Recommendation

• arxiv url: http://arxiv.org/abs/2603.20338v1
• Date: Fri, 20 Mar 2026 09:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.851825
• Title: Low-pass Personalized Subgraph Federated Recommendation
• Title（参考訳）: 低パスパーソナライズされたサブグラフフェデレーション勧告
• Authors: Wooseok Sim, Hogun Park,
• Abstract要約: Federated Recommender Systems (FRS) は、データを共有することなく、クライアント固有のユーザオブジェクトのサブグラフ上で分散モデルをトレーニングすることで、プライバシを保護している。 本稿では,低パスパーソナライズされたサブグラフフェデレーションレコメンデータシステム(LPSFed)を提案する。
• 参考スコア（独自算出の注目度）: 8.721619913104899
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated Recommender Systems (FRS) preserve privacy by training decentralized models on client-specific user-item subgraphs without sharing raw data. However, FRS faces a unique challenge: subgraph structural imbalance, where drastic variations in subgraph scale (user/item counts) and connectivity (item degree) misalign client representations, making it challenging to train a robust model that respects each client's unique structural characteristics. To address this, we propose a Low-pass Personalized Subgraph Federated recommender system (LPSFed). LPSFed leverages graph Fourier transforms and low-pass spectral filtering to extract low-frequency structural signals that remain stable across subgraphs of varying size and degree, allowing robust personalized parameter updates guided by similarity to a neutral structural anchor. Additionally, we leverage a localized popularity bias-aware margin that captures item-degree imbalance within each subgraph and incorporates it into a personalized bias correction term to mitigate recommendation bias. Supported by theoretical analysis and validated on five real-world datasets, LPSFed achieves superior recommendation accuracy and enhances model robustness.
• Abstract（参考訳）: Federated Recommender Systems (FRS) は、データを共有することなく、クライアント固有のユーザオブジェクトのサブグラフ上で分散モデルをトレーニングすることで、プライバシを保護している。 サブグラフスケール(ユーザ/イテム数)と接続性(イテム数)の相違によるクライアント表現の大幅な変動 それぞれのクライアントのユニークな構造特性を尊重する堅牢なモデルをトレーニングすることは困難である。 そこで本稿では,LPSFed(Low-pass Personalized Subgraph Federated recommender System)を提案する。 LPSFedはグラフフーリエ変換と低域スペクトルフィルタリングを利用して、様々な大きさと程度で安定な低周波構造信号を抽出し、中性構造アンカーと類似性によってガイドされる堅牢なパーソナライズされたパラメータ更新を可能にする。 さらに、各サブグラフ内のアイテムレベルの不均衡を捉え、それをパーソナライズされたバイアス補正用語に組み込むことで、推薦バイアスを軽減する。 理論解析によってサポートされ、5つの実世界のデータセットで検証され、LPSFedはより優れた推奨精度を達成し、モデルの堅牢性を高める。

関連論文リスト

• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-31T03:11:51Z)
• Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings [0.0]
  GatedBiasは知識グラフのための軽量な推論時パーソナライズフレームワークである。 プロファイル固有の機能は、グラフ由来のバイナリゲートと組み合わせて、解釈可能な、パーエンタリティバイアスを生成する。 2つのベンチマークデータセット上でGatedBiasを評価する。
  論文  参考訳（メタデータ） (2025-12-26T22:30:37Z)
• A Closer Look at Personalized Fine-Tuning in Heterogeneous Federated Learning [42.09768870974917]
  フェデレートラーニング(FL)は、分散されたプライバシ保護モデルトレーニングを可能にするが、グローバルな一般化とローカルパーソナライゼーションのバランスをとるのに苦労している。 特徴歪みを緩和する基本的集中型戦略であるフルファインチューニング(LP-FT)を採用することを提案する。
  論文  参考訳（メタデータ） (2025-11-16T17:19:23Z)
• 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)
• Curriculum Guided Personalized Subgraph Federated Learning [8.721619913104899]
  Subgraph Federated Learning (FL)は、分散プライベートサブグラフ間でグラフニューラルネットワーク(GNN)をトレーニングすることを目的としている。 重み付きモデルアグリゲーションは、類似のサブグラフ特性を持つクライアントからパラメータにより大きな重みを割り当てることで、各ローカルGNNをパーソナライズする。 そこで我々は,Curriculum Guided PersonalsUbgraph Federated Learning (CUFL) という新たなサブグラフFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T08:01:36Z)
• FedGrAINS: Personalized SubGraph Federated Learning with Adaptive Neighbor Sampling [36.314224807189575]
  サブグラフFLのための新しいデータ適応型およびサンプリングベース正規化手法である textitFedGrAINS を提案する。 我々は,textitFedGrAINSをレギュレータとして組み込むことで,ベースラインよりもFL性能が一貫して向上することを示す。
  論文  参考訳（メタデータ） (2025-01-22T02:35:20Z)
• FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
  フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。 我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
  論文  参考訳（メタデータ） (2024-02-10T18:14:57Z)
• 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)

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。