論文の概要: Prototype-Aligned Federated Soft-Prompts for Continual Web Personalization
- arxiv url: http://arxiv.org/abs/2603.27678v1
- Date: Sun, 29 Mar 2026 12:59:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.068981
- Title: Prototype-Aligned Federated Soft-Prompts for Continual Web Personalization
- Title（参考訳）: 連続Webパーソナライゼーションのためのプロトタイプ対応フェデレーションソフトプロンプト
- Authors: Canran Xiao, Liwei Hou,
- Abstract要約: ProtoFed-SPは、凍結したバックボーンにデュアルタイムスケールのソフトプロンプトを注入するプロンプトベースのフレームワークである。
NDCG@10を+2.9%、HR@10を+2.0%改善する。
また、(AF) と Steps-95% を減らし、実用的な DP 予算の下で精度を維持する。
- 参考スコア（独自算出の注目度）: 3.2944203974612045
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Continual web personalization is essential for engagement, yet real-world non-stationarity and privacy constraints make it hard to adapt quickly without forgetting long-term preferences. We target this gap by seeking a privacy-conscious, parameter-efficient interface that controls stability-plasticity at the user/session level while tying user memory to a shared semantic prior. We propose ProtoFed-SP, a prompt-based framework that injects dual-timescale soft prompts into a frozen backbone: a fast, sparse short-term prompt tracks session intent, while a slow long-term prompt is anchored to a small server-side prototype library that is continually refreshed via differentially private federated aggregation. Queries are routed to Top-M prototypes to compose a personalized prompt. Across eight benchmarks, ProtoFed-SP improves NDCG@10 by +2.9% and HR@10 by +2.0% over the strongest baselines, with notable gains on Amazon-Books (+5.0% NDCG vs. INFER), H&M (+2.5% vs. Dual-LoRA), and Taobao (+2.2% vs. FedRAP). It also lowers forgetting (AF) and Steps-to-95% and preserves accuracy under practical DP budgets. Our contribution is a unifying, privacy-aware prompting interface with prototype anchoring that delivers robust continual personalization and offers a transparent, controllable mechanism to balance stability and plasticity in deployment.
- Abstract（参考訳）: 継続的なWebパーソナライゼーションは、エンゲージメントには不可欠だが、現実の非定常性とプライバシーの制約は、長期的な好みを忘れずに、迅速に適応することが困難である。
ユーザメモリを共有セマンティクスに結び付けつつ,ユーザ/セッションレベルでの安定性・可塑性を制御する,プライバシ意識のパラメータ効率の高いインターフェースを求めることで,このギャップを解消する。
ProtoFed-SPは,2段階のソフトプロンプトを凍結したバックボーンに注入するプロンプトベースのフレームワークである。高速でスパースな短期プロンプトはセッションインテントをトラックするが,遅い長期プロンプトは,差分的にプライベートなフェデレーションアグリゲーションを通じて継続的に更新される小さなサーバサイドプロトタイプライブラリに固定される。
クエリはTop-Mプロトタイプにルーティングされ、パーソナライズされたプロンプトを構成する。
8つのベンチマークで、ProtoFed-SPはNDCG@10を+2.9%改善し、HR@10を+2.0%改善し、Amazon-Books(+5.0% NDCG vs. INFER)、H&M(+2.5% vs. Dual-LoRA)、Taobao(+2.2% vs. FedRAP)に顕著な利益をもたらした。
また、(AF) と Steps-95% を減らし、実用的な DP 予算の下で精度を維持する。
当社のコントリビューションは、プロトタイプアンカーによる統一されたプライバシ対応のプロンプトインターフェースで、堅牢な継続的パーソナライゼーションを提供し、デプロイメントの安定性と可塑性のバランスをとるための透過的かつ制御可能なメカニズムを提供します。
関連論文リスト
- Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。
パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。
我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
論文 参考訳（メタデータ） (2026-02-12T20:41:22Z) - Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。
分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。
本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
論文 参考訳（メタデータ） (2026-02-06T16:39:10Z) - PRISM: Performer RS-IMLE for Single-pass Multisensory Imitation Learning [51.24484551729328]
PRISMは,IMLEのバッチ・グロバル・リジェクション・サンプリングに基づく単一パスポリシーである。
PRISMは、Performerアーキテクチャを用いた線形アテンション発生器と時間的マルチセンサエンコーダを結合する。
7-DoFアームD1を搭載したUnitree Go2を用いたロコマニピュレーションやUR5マニピュレータを用いたテーブルトップ操作など,PRISMの有効性を実証する。
論文 参考訳（メタデータ） (2026-02-02T17:57:37Z) - DP-FEDSOFIM: Differentially Private Federated Stochastic Optimization using Regularized Fisher Information Matrix [0.0611737116137921]
DP-FLは、プライバシーを守るために導入された圧倒的なノイズのために、厳格なプライバシー予算の下で緩やかな収束に苦しむ。
本稿では,サーバサイドの2次最適化フレームワークであるDP-FedSOFIMを提案する。
分析の結果,サーバサイドのプレコンディショニングは後処理定理によって(エプシロン,デルタ)差分プライバシーを保っていることが明らかとなった。
論文 参考訳（メタデータ） (2026-01-14T05:11:28Z) - Nemotron-Flash: Towards Latency-Optimal Hybrid Small Language Models [97.55009021098554]
本研究の目的は、SLMのリアルタイムレイテンシの主要な決定要因を特定し、SLMの設計とトレーニングのための一般化可能な原則と方法論を提供することである。
我々はNemotron-Flashと呼ばれるハイブリッドSLMの新たなファミリーを導入し、最先端SLMの精度・効率のフロンティアを大幅に向上させる。
論文 参考訳（メタデータ） (2025-11-24T08:46:36Z) - PPMStereo: Pick-and-Play Memory Construction for Consistent Dynamic Stereo Matching [51.98089287914147]
textbfPick-and-textbflay textbfMemory (PM) construction module for dynamic bfStereo matching, called bftextPPMStereo。
bftextPPMStereo と呼ばれる動的 bfStereo マッチングのための textbfPick-and-textbflay textbfMemory (PM) 構築モジュールを提案する。
論文 参考訳（メタデータ） (2025-10-23T03:52:39Z) - Accelerating Differentially Private Federated Learning via Adaptive Extrapolation [2.6108066206600555]
ローカル更新の多様性に基づいてグローバルステップサイズを適応的に選択するDP-FedEXPを提案する。
DP-FedEXPはDP-FedAvgの収束を良好に促進し,DP-FLに適した既存手法よりも経験的に優れていることを示す。
論文 参考訳（メタデータ） (2025-04-14T03:43:27Z) - PAUSE: Low-Latency and Privacy-Aware Active User Selection for Federated Learning [49.02872047060618]
フェデレートラーニング(FL)は、エッジデバイスが、潜在的にプライベートなデータを共有することなく、機械学習モデルを協調的にトレーニングすることを可能にする。
FLには2つの重要な課題がある。第一に、時間とともにプライバシーの漏洩が蓄積され、第二に、通信のレイテンシである。
本稿では,アクティブユーザ選択によるプライバシー漏洩と通信遅延の蓄積を共同で解決する手法を提案する。
論文 参考訳（メタデータ） (2025-03-17T13:50:35Z) - DP-BREM: Differentially-Private and Byzantine-Robust Federated Learning with Client Momentum [11.68347496182345]
フェデレートラーニング(FL)は、複数の参加するクライアントが機械学習モデルを協調的にトレーニングすることを可能にする。
既存のFLプロトコルは、データのプライバシやモデルの堅牢性を損なうような攻撃に対して脆弱である。
我々は,クロスサイロFLにおける差分プライバシ(DP)とビザンチンの堅牢性を同時に達成することに注力する。
論文 参考訳（メタデータ） (2023-06-22T00:11:53Z)
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。