論文の概要: Beyond Centralization: User-Controlled Federated Recommendations in Practice

• arxiv url: http://arxiv.org/abs/2605.12527v1
• Date: Fri, 10 Apr 2026 19:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 04:51:46.017915
• Title: Beyond Centralization: User-Controlled Federated Recommendations in Practice
• Title（参考訳）: 中央集権化を超えて - 実践におけるユーザ主導の勧告
• Authors: Manel Slokom, Alejandro Bellogin,
• Abstract要約: 我々は,データをローカルに保ちながら,ユーザが推薦対象を制御できる,ライブのフェデレーションレコメンデータシステムを提案する。 22人の参加者と8807タイトルのカタログを持つ53日間のデプロイメントでは、ユーザはレコメンデーションと対話し、パーソナライズと多様性向上のランキングを切り替えた。 この結果から,作業システムにユーザコントロール,プライバシ,効果的なパーソナライゼーションを組み合わせることが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 46.413429599755936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation systems typically require centralized user data, limiting user control and raising privacy concerns. Federated learning offers an alternative by keeping data on-device, but its impact on real user behavior remains largely unexplored. We present a live federated recommender system that allows users to control the recommendation objective while keeping their data local. In a 53-day deployment with 22 participants and a catalog of 8807 titles, users interacted with recommendations and switched between personalization and diversity-enhanced ranking. We find that users prefer personalization when given explicit choice (65.37\% vs.\ 62.07\% CTR), actively engage with control mechanisms (3.93/5 satisfaction; 248 settings changes), and develop an understanding of how their interactions affect recommendations through immediate feedback. Our results show that user control, privacy, and effective personalization can be combined in a working system. We demonstrate a practical approach to interactive, privacy-preserving recommendation. Code and demo materials are available at: https://github.com/SlokomManel/federated-recommendations-participants
• Abstract（参考訳）: 推奨システムは一般的に、集中的なユーザーデータを必要とし、ユーザーのコントロールを制限し、プライバシーの懸念を高める。 フェデレーション学習(Federated Learning)は、デバイス上のデータを保持することで代替手段を提供するものだ。 我々は,データをローカルに保ちながら,ユーザが推薦対象を制御できる,ライブのフェデレーションレコメンデータシステムを提案する。 22人の参加者と8807タイトルのカタログを持つ53日間のデプロイメントでは、ユーザはレコメンデーションと対話し、パーソナライズと多様性向上のランキングを切り替えた。 明示的な選択が与えられた場合(65.37\%対)、ユーザーはパーソナライズを好む。 62.07\% CTRで、コントロールメカニズム(3.93/5の満足度、248の設定変更)に積極的に関与し、即時フィードバックを通じて、それらの相互作用がレコメンデーションにどのように影響するかを理解する。 この結果から,作業システムにユーザコントロール,プライバシ,効果的なパーソナライゼーションを組み合わせることが可能であることが示唆された。 対話型、プライバシー保護型レコメンデーションに対する実践的なアプローチを実証する。 コードとデモ資料は、https://github.com/SlokomManel/federated-recommendations-Participants.comで公開されている。

関連論文リスト

• Learning Evolving Preferences: A Federated Continual Framework for User-Centric Recommendation [31.291470103268555]
  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。
  論文  参考訳（メタデータ） (2026-03-18T03:20:15Z)
• Graph Federated Learning for Personalized Privacy Recommendation [23.610676605827294]
  本稿では,個人化プライバシ勧告のためのグラフフェデレーション学習(GFed-PP)を提案する。 GFed-PPは、レコメンデーションパフォーマンスを改善しながら、異なるプライバシ要件に適合する。 5つのデータセットで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-08-08T10:44:33Z)
• Federated Conversational Recommender System [19.10820197898819]
  きめ細かいユーザーの好みは、漏れたり漏れたりした場合に、ユーザーの機密情報を推測するのに簡単に使える。 本稿では,ユーザプライバシを公開するリスクを効果的に低減する,新しい会話推薦フレームワークを提案する。 提案手法は,これらのユーザプライバシ保護ガイドラインを満たすだけでなく,競争力のあるレコメンデーション性能を達成できることを示す。
  論文  参考訳（メタデータ） (2025-03-02T19:39:29Z)
• 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)
• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)

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。