論文の概要: Guiding Federated Graph Recommendation with LLM-encoded knowledge
- arxiv url: http://arxiv.org/abs/2606.15277v1
- Date: Sat, 13 Jun 2026 12:30:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.246165
- Title: Guiding Federated Graph Recommendation with LLM-encoded knowledge
- Title（参考訳）: LLM符号化知識によるフェデレーショングラフ推薦の指導
- Authors: Thi Minh Chau Nguyen, Hien Trang Nguyen, Duc Anh Nguyen, Van Ho-Long, Thanh Trung Huynh, Zhao Ren,
- Abstract要約: グラフベースのレコメンデータシステムは、ユーザとイテムのインタラクションから協調的なシグナルを抽出するのに非常に効果的である。
フェデレートされたグラフレコメンデーションのガイドとして,LLM符号化知識を用いた新しいフレームワークを提案する。
これにより、生データを公開することなく、セマンティックに情報を提供するクロスクライアントコラボレーションが可能になる。
- 参考スコア（独自算出の注目度）: 8.842921339414714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph-based recommender systems are highly effective at extracting collaborative signals from user--item interactions, and federated learning (FL) allows these models to be trained while preserving user privacy. However, aggregating graph representations across distributed, non-IID clients remains a challenge; structural embeddings learned locally often misalign, and naive averaging fails to capture meaningful cross-client relationships. Most existing federated graph methods rely exclusively on structural aggregation, neglecting the rich, global semantic context available in large language models (LLMs). In this paper, we propose a novel framework that uses LLM-encoded knowledge to guide federated graph recommendation. Specifically, clients learn structural representations from local graphs while simultaneously summarizing their typical interaction patterns into compact semantic vectors via a frozen LLM. The central server then uses these LLM-encoded semantic signals to discover related preference patterns across clients, guiding the selective aggregation of their structural representations. This enables semantically informed cross-client collaboration without exposing raw data. Extensive experiments on standard benchmarks show that guiding structural alignment with LLM-encoded knowledge consistently improves recommendation accuracy over existing federated graph baselines.
- Abstract（参考訳）: グラフベースのレコメンダシステムは、ユーザとイテムのインタラクションから協調的なシグナルを抽出する上で非常に効果的であり、フェデレートラーニング(FL)により、これらのモデルをユーザのプライバシを保護しながらトレーニングすることができる。
しかし、分散された非IIDクライアント間でグラフ表現を集約することは依然として課題であり、局所的に学習された構造的埋め込みはしばしば不一致であり、単純平均化は有意義なクロスクライアント関係を捉えることに失敗する。
既存のフェデレーショングラフ法の多くは構造集約にのみ依存しており、大きな言語モデル(LLM)で利用可能なリッチでグローバルなセマンティックコンテキストを無視している。
本稿では,LLMを符号化した知識を用いて,フェデレートされたグラフレコメンデーションをガイドする新しいフレームワークを提案する。
具体的には、クライアントは局所グラフから構造表現を学習し、その典型的な相互作用パターンを凍結LLMを介してコンパクトな意味ベクトルに要約する。
中央サーバは、これらのLLM符号化されたセマンティック信号を使用して、クライアント間で関連する好みパターンを発見し、それらの構造的表現の選択的集約を導く。
これにより、生データを公開することなく、セマンティックに情報を提供するクロスクライアントコラボレーションが可能になる。
標準ベンチマークにおける広範囲な実験により、LLM符号化知識による構造的アライメントの導出は、既存の連合グラフベースラインに対する推奨精度を一貫して向上させることが示された。
関連論文リスト
- GraphLoRA: Structure-Aware Low-Rank Adaptation for Large Language Model Recommendation [15.664889244642033]
本稿では,非依存から構造認識への適応を一般化する新しいフレームワークを提案する。
GraphLoRAは、ローランク適応経路内にトレーニング可能なグラフメッセージパッシングネットワークを組み込み、構造信号がパラメータ空間を伝播することを可能にする。
論文 参考訳（メタデータ） (2026-04-20T07:48:41Z) - 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) - GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。
抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。
提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
論文 参考訳（メタデータ） (2025-09-20T02:38:00Z) - 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) - Large Language Models are Good Relational Learners [55.40941576497973]
本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。
従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
論文 参考訳（メタデータ） (2025-06-06T04:07:55Z) - FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs [55.51300642911766]
Federated Graph Learning(FGL)は、クライアントがグラフニューラルネットワーク(GNN)を分散的にトレーニングすることを可能にする。
FGL法は通常、全てのクライアントが所有するグラフデータが、類似したノードの分布パターンを保証するためにホモフィリックであることが要求される。
異種グラフからの洞察を効果的に活用し、共有するために設計されたFGLフレームワークであるFedHEROを提案する。
論文 参考訳（メタデータ） (2025-04-29T22:23:35Z) - Multi-Modal Hypergraph Enhanced LLM Learning for Recommendation [27.583326184212194]
マルチモーダル・レコメンデーション(HeLLM)のための新しいフレームワークHypergraph Enhanced LLM Learningを提案する。
グラフレベルの文脈信号とシーケンスレベルの行動パターンを融合させることにより、複雑な高階意味的相関を捕捉する能力をLLMに装備する。
推薦者の事前学習フェーズでは、ユーザ間の共有された関心関係の選好を明らかにするために、ユーザハイパーグラフを設計する。
ハイパーグラフ畳み込みと相乗的コントラスト学習機構を導入し、学習された表現の識別可能性を高める。
論文 参考訳（メタデータ） (2025-04-13T09:12:35Z) - Training Large Recommendation Models via Graph-Language Token Alignment [53.3142545812349]
本稿では,グラフ言語トークンアライメントによる大規模推薦モデルのトレーニングを行う新しいフレームワークを提案する。
インタラクショングラフからアイテムとユーザノードを事前訓練されたLLMトークンにアライメントすることで、GLTAはLLMの推論能力を効果的に活用する。
さらに、エンドツーエンドのアイテム予測のためのトークンアライメントを最適化するために、GLLM(Graph-Language Logits Matching)を導入する。
論文 参考訳（メタデータ） (2025-02-26T02:19:10Z) - G-Refer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation [48.23263809469786]
本稿では,グラフ検索拡張大言語モデル (LLM) を用いた提案手法を提案する。
G-Referは、説明可能性と安定性の両方において既存の手法と比較して優れた性能を達成する。
論文 参考訳（メタデータ） (2025-02-18T06:42:38Z) - UFGraphFR: Graph Federation Recommendation System based on User Text description features [13.253574095071537]
フェデレーション学習は、レコメンデーションシステムのためのプライバシー保護フレームワークを提供する。
従来のフェデレートされたレコメンデーションアプローチは、各ユーザを独立したエンティティとして扱う。
本稿では,3つのキーコンポーネントを持つ新しいフレームワークであるUFGraphFRを提案する。
論文 参考訳（メタデータ） (2025-01-14T11:52:16Z)
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。