論文の概要: From Transfer to Collaboration: A Federated Framework for Cross-Market Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2604.13573v1
• Date: Wed, 15 Apr 2026 07:33:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.435893
• Title: From Transfer to Collaboration: A Federated Framework for Cross-Market Sequential Recommendation
• Title（参考訳）: トランスファーからコラボレーテーションへ: クロスマーケットシーケンス勧告のためのフェデレーションフレームワーク
• Authors: Jundong Chen, Honglei Zhang, Xiangmou Qu, Haoxuan Li, Han Yu, Yidong Li,
• Abstract要約: クロスマーケットレコメンデーション(CMR)は、複数の市場におけるレコメンデーションパフォーマンスの向上を目的としている。 既存のCMRアプローチは、主にクロスドメインレコメンデーション(CDR)を継承する。 クロスマーケットシーケンシャルなレコメンデーションのための新しい連携フレームワークFeCoSRを提案する。
• 参考スコア（独自算出の注目度）: 31.418148911609094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-market recommendation (CMR) aims to enhance recommendation performance across multiple markets. Due to its inherent characteristics, i.e., data isolation, non-overlapping users, and market heterogeneity, CMR introduces unique challenges and fundamentally differs from cross-domain recommendation (CDR). Existing CMR approaches largely inherit CDR by adopting the one-to-one transfer paradigm, where a model is pretrained on a source market and then fine-tuned on a target market. However, such a paradigm suffers from CH1. source degradation, where the source market sacrifices its own performance for the target markets, and CH2. negative transfer, where market heterogeneity leads to suboptimal performance in target markets. To address these challenges, we propose FeCoSR, a novel federated collaboration framework for cross-market sequential recommendation. Specifically, to tackle CH1, we introduce a many-to-many collaboration paradigm that enables all markets to jointly participate in and benefit from training. It consists of a federated pretraining stage for capturing shared behavior-level patterns, followed by local fine-tuning for market-specific item-level preferences. For CH2, we theoretically and empirically show that vanilla Cross-Entropy (CE) exacerbates market heterogeneity, undermining federated optimization. To address this, we propose a Semantic Soft Cross-Entropy (S^2CE) that leverages shared semantic information to facilitate collaborative behavioral learning across markets. Then, we design a market-specific adaptation module during fine-tuning to capture local item preferences. Extensive experiments on the real-world datasets demonstrate the advantages of FeCoSR over other methods.
• Abstract（参考訳）: クロスマーケットレコメンデーション(CMR)は、複数の市場におけるレコメンデーションパフォーマンスの向上を目的としている。 データアイソレーション、非重複ユーザ、市場不均一性など固有の特徴から、CMRは独自の課題を導入し、ドメイン横断レコメンデーション(CDR)とは根本的に異なる。 既存のCMRアプローチは、ソースマーケットでモデルを事前訓練し、ターゲットマーケットで微調整する1対1の転送パラダイムを採用することで、CDRをほぼ継承する。 しかし、そのようなパラダイムはCH1に苦しむ。 ソースマーケットは、ターゲット市場における独自のパフォーマンスを犠牲にし、CH2。 市場の不均一性は ターゲット市場における 最適以下のパフォーマンスをもたらします これらの課題に対処するため、我々は、市場横断的なレコメンデーションのための新しい連携フレームワークFeCoSRを提案する。 具体的には、CH1に取り組むために、すべての市場が共同で参加し、トレーニングの恩恵を受けることのできる、多対多のコラボレーションパラダイムを導入します。 共有行動レベルのパターンをキャプチャするための連邦事前訓練段階と、市場固有のアイテムレベルの嗜好を局所的に微調整する段階で構成されている。 CH2の場合、バニラクロスエントロピー(CE)が市場不均一性を悪化させ、フェデレーション最適化を損なうことを理論的かつ実証的に示す。 そこで本研究では,共有意味情報を活用するセマンティックソフトクロスエントロピー(S^2CE)を提案する。 そこで我々は,局所的な項目の嗜好を捉えるために,微調整時に市場固有の適応モジュールを設計する。 実世界のデータセットに関する大規模な実験は、他の方法よりもFeCoSRの利点を実証している。

関連論文リスト

• Transfer Learning for Contextual Joint Assortment-Pricing under Cross-Market Heterogeneity [6.055048454425298]
  我々は,帯域フィードバックを持つ多項ロジット選択モデルの下で,コンテキスト型共同価格の伝達学習について検討した。 UCBスタイルの政策とアグリゲート・then-debias推定を組み合わせたバイアス認識フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-03-18T14:48:04Z)
• FeDecider: An LLM-Based Framework for Federated Cross-Domain Recommendation [75.50721642765994]
  大規模言語モデル(LLM)ベースのレコメンデーションモデルは、素晴らしいパフォーマンスを示している。 We propose a LLM-based framework for Federated cross- domain recommendation, FeDecider。 多様なデータセットにわたる大規模な実験により、提案したFeDeciderの有効性が検証された。
  論文  参考訳（メタデータ） (2026-02-17T21:42:28Z)
• Dual prototype attentive graph network for cross-market recommendation [11.836993581103107]
  クロスマーケットレコメンデータシステム(CMRS)は、先進国市場における多国籍製品の普及に歴史的データを活用することを目的としている。 既存のCMRSアプローチは、異なる市場のユーザー間で共有された嗜好の可能性を見落としていることが多い。 本稿では、この問題を解決するために、クロスマーケットレコメンデーション(DGRE)のためのDual Prototype Attentive Graph Networkを提案する。
  論文  参考訳（メタデータ） (2025-08-08T03:07:44Z)
• Enhancing Cross-Market Recommendation System with Graph Isomorphism Networks: A Novel Approach to Personalized User Experience [0.24999074238880487]
  グラフアイソモーフィックネットワーク(GIN)を用いて市場横断の推薦システムを改善するCrossGRモデルを提案する。 CrossGRモデルは適応可能で正確であり、市場横断のレコメンデーションタスクの複雑さを扱うのに適している。 以上の結果から,GINはより洗練され,パーソナライズされ,コンテキスト対応のレコメンデーションシステムを実現する上で,CMRにとって有望な方向性を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-09-12T08:53:11Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• How to Use Reinforcement Learning to Facilitate Future Electricity Market Design? Part 1: A Paradigmatic Theory [7.104195252081324]
  本稿では、強化学習(RL)に基づくシミュレーションを用いて、共同市場設計のパラダイム理論と詳細な手法を開発する。 シミュレーション結果に基づいて市場設計を検証するために,いくつかの市場操作性能指標を提案する。
  論文  参考訳（メタデータ） (2023-05-04T01:30:15Z)
• Score-Based Diffusion meets Annealed Importance Sampling [89.92133671626327]
  Annealed Importance Smpling はいまだに限界推定の最も効果的な方法の1つである。 我々は、スコアベース生成モデルにおける最近の進歩を活用し、AIS提案の最適拡張目標分布を近似する。
  論文  参考訳（メタデータ） (2022-08-16T12:13:29Z)
• Cross-Market Product Recommendation [22.385250578972084]
  我々は、資源補助市場において、類似の富裕層からのデータを活用して、資源密閉市場の利用者に関連商品を推薦する問題について検討する。 我々は、市場適応というクロスマーケット製品レコメンデーションの問題を導入し、フォーマル化する。 我々は、市場適応が異なる市場に対する影響を研究する広範囲な実験を行っている。
  論文  参考訳（メタデータ） (2021-09-13T12:53:45Z)

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。