論文の概要: FedMM: Federated Collaborative Signal Quantization for Multi-Market CTR Prediction
- arxiv url: http://arxiv.org/abs/2605.11433v1
- Date: Tue, 12 May 2026 02:32:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.532107
- Title: FedMM: Federated Collaborative Signal Quantization for Multi-Market CTR Prediction
- Title（参考訳）: FedMM: マルチマーケットCTR予測のための協調的信号量子化
- Authors: Jun Zhang, Dugang Liu, Xing Tang, Xiuqiang He, Zhong Ming,
- Abstract要約: AmazonやNetflixのようなオンラインプラットフォームは、複数の国や地域にわたってユーザーにサービスを提供し、マルチマーケットレコメンデーション(MMR)の重要性を強調している。
ほとんどのMMR法は事前学習と微調整のパラダイムを採用しており、統一モデルはまず、集中的なグローバルデータに基づいて訓練される。
マルチマーケットクリックスルーレート(CTR)予測のためのフェデレート協調信号量子化(FedMM)手法を提案する。
- 参考スコア（独自算出の注目度）: 17.392497883316818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online platforms such as Amazon and Netflix serve users across multiple countries and regions, underscoring the importance of multi-market recommendation (MMR). Most MMR methods adopt a pre-training and fine-tuning paradigm, in which a unified model is first trained on centralized, global data and subsequently adapted to specific markets. However, this approach ignores the privacy of market data. While traditional federated learning preserves privacy, it typically aims to obtain a global model by aggregating model parameters and does not account for significant market heterogeneity. Additionally, because ID spaces are disjoint across markets, embedding-based aggregation strategies become ineffective. To overcome these challenges, we propose a federated collaborative signal quantization (FedMM) method for multi-market click-through rate (CTR) prediction. Our core idea leverages a discrete codebook mechanism to achieve privacy-preserving transmission and align disjoint ID spaces. We further employ a hierarchical codebook structure to capture cross-market shared patterns and market-specific characteristics. Specifically, we deploy a residual quantized variational autoencoder (RQ-VAE) with a dual-layer codebook mechanism for each market to quantize collaborative embeddings. The first layer utilizes a global federated codebook, updated via aggregation to capture universally shared collaborative patterns, while the second layer maintains a local codebook to learn market-specific semantics. Finally, the learned discrete codes, which integrate both general and specific collaborative signals, are incorporated into downstream CTR models to enhance prediction accuracy across all markets. Extensive experiments on benchmark datasets demonstrate that FedMM significantly improves recommendation performance with privacy guarantees.
- Abstract（参考訳）: AmazonやNetflixのようなオンラインプラットフォームは、複数の国や地域にわたってユーザーにサービスを提供し、マルチマーケットレコメンデーション(MMR)の重要性を強調している。
ほとんどのMMR手法は事前学習と微調整のパラダイムを採用しており、統一モデルはまず中央集権的グローバルデータに基づいて訓練され、その後特定の市場に適応する。
しかし、このアプローチは市場データのプライバシーを無視している。
従来のフェデレーション学習はプライバシを保存するが、一般的にはモデルパラメータを集約してグローバルモデルを得るのが目的であり、重要な市場不均一性を考慮しない。
さらに、ID空間は市場全体に分散しているため、埋め込みベースのアグリゲーション戦略は効果がない。
これらの課題を克服するために,多市場クリックスルーレート(CTR)予測のためのフェデレート協調信号量子化(FedMM)手法を提案する。
私たちの中核的なアイデアは、プライバシ保護送信を実現し、不整合ID空間を整合させるために、個別のコードブックメカニズムを活用しています。
さらに、階層的なコードブック構造を用いて、市場間の共有パターンと市場固有の特徴をキャプチャします。
具体的には、残差量子化変分オートエンコーダ(RQ-VAE)を市場ごとに2層コードブック機構で展開し、協調的な埋め込みを定量化する。
第1のレイヤはグローバルなフェデレートされたコードブックを使用し、アグリゲーションによって更新され、普遍的に共有されるコラボレーティブパターンをキャプチャし、第2のレイヤは、市場固有のセマンティクスを学ぶためのローカルコードブックを保持する。
最後に、一般的な信号と特定の協調信号を統合した学習された離散符号を下流CTRモデルに組み込んで、全市場にわたって予測精度を向上させる。
ベンチマークデータセットの大規模な実験により、FedMMはプライバシ保証によるレコメンデーションパフォーマンスを著しく改善することが示された。
関連論文リスト
- FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning [76.62016339908384]
クライアント間での不均一なラベル相関を調和させるフレームワークであるFedHarmonyを提案する。
集約中、FedHarmonyはデータサイズと相関品質の両方で各クライアントを評価し、それに応じて重みを割り当てる。
実世界のフェデレートされたマルチラベルデータセットの実験は、FedHarmonyが一貫して最先端の手法より優れていることを示している。
論文 参考訳（メタデータ） (2026-04-30T15:42:17Z) - From Transfer to Collaboration: A Federated Framework for Cross-Market Sequential Recommendation [31.418148911609094]
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。
論文 参考訳（メタデータ） (2026-04-15T07:33:50Z) - A Step Toward Federated Pretraining of Multimodal Large Language Models [87.64508862413565]
Federated Learningは、分散リソースをアンロックするための有望なソリューションを提供する。
Fed-MAは、視覚エンコーダとLLMを凍結し、クロスモーダルプロジェクタを協調的にトレーニングする軽量な事前トレーニングパラダイムである。
MLLM事前学習のための先駆的フレームワークであるFed-CMPを提案する。
論文 参考訳（メタデータ） (2026-03-25T08:16:23Z) - FedBook: A Unified Federated Graph Foundation Codebook with Intra-domain and Inter-domain Knowledge Modeling [52.05684032172943]
サーバサイドのフェデレーション事前トレーニング中にクライアントのローカルコードブックを集約する統合グラフ基盤コードブックであるFedBookを提案する。
FedBookは、独立した教師付き学習、FL/FGL、集中型GFMのフェデレーション適応、FedGFM技術など、21のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-10-09T03:50:30Z) - OmniFC: Rethinking Federated Clustering via Lossless and Secure Distance Reconstruction [10.326927761316986]
フェデレーションクラスタリングは、生データを共有せずに、分散クライアント全体にわたるグローバルクラスタ構造を見つけることを目的としている。
1)コラボレーション中のプライバシー漏洩と,(2)プロキシ情報の集約による堅牢性低下の2つが重要な課題である。
我々は,統一的でモデルに依存しないフレームワークであるOmni Federated Clusteringを提案する。
論文 参考訳（メタデータ） (2025-05-19T13:04:59Z) - One-Shot Federated Unsupervised Domain Adaptation with Scaled Entropy Attention and Multi-Source Smoothed Pseudo Labeling [21.59850502993888]
Federated Learning(FL)は、プライバシ保護による協調学習のための有望なアプローチである。
本稿では,これらの制約に対処する一発のフェデレーション・アントラクテッド・ドメイン適応(FUDA)手法を提案する。
具体的には,モデルアグリゲーションのためのSEA(Scaled Entropy Attention)と,ターゲット領域適応のためのMSPL(Multi-Source Pseudo Labeling)を紹介する。
論文 参考訳（メタデータ） (2025-03-13T03:59:51Z) - Overcoming label shift with target-aware federated learning [10.355835466049092]
フェデレートラーニングにより、複数のアクターがプライベートデータを共有せずに、協力的にモデルをトレーニングできる。
一般的な理由はラベルシフトです -- ラベルの分布がクライアントとターゲットドメインによって異なります。
対象領域の性能向上のためにラベルシフトに適応する,原則的で実用的なモデルアグリゲーションスキームであるFedPALSを提案する。
論文 参考訳（メタデータ） (2024-11-06T09:52:45Z) - Federated Generalized Category Discovery [68.35420359523329]
一般カテゴリー発見(GCD)は、未知のクラスからラベルのないサンプルをグループ化することを目的としている。
地域社会における近年の分権化の傾向に対応するため,フェデレーションGCD(Fed-GCD)という,実践的かつ困難な課題を導入する。
Fed-GCDの目標は、プライバシ保護された制約の下で、クライアントのコラボレーションによって汎用的なGCDモデルをトレーニングすることである。
論文 参考訳（メタデータ） (2023-05-23T14:27:41Z) - Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。
本研究では,より現実的で実践的な半教師付き領域一般化について検討する。
提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
論文 参考訳（メタデータ） (2021-06-01T16:00:08Z) - Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。
本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。
ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
論文 参考訳（メタデータ） (2021-04-01T23:41:41Z)
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。