論文の概要: FedCGR: Federated Cross-Domain Generative Recommendation

• arxiv url: http://arxiv.org/abs/2608.10929v1
• Date: Tue, 11 Aug 2026 13:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.065472
• Title: FedCGR: Federated Cross-Domain Generative Recommendation
• Title（参考訳）: FedCGR:Federated Cross-Domain Generative Recommendation
• Abstract要約: クロスドメインレコメンデーション(CDR)は、関連するドメイン間で好みの知識を転送する。 我々は、アイテム言語を安定に保ち、明示的な適応を可能にするフェデレーションCDRフレームワークであるFedCGRを提案する。
• 参考スコア（独自算出の注目度）: 1.2440174872828078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain recommendation (CDR) transfers preference knowledge across related domains, but federated deployment makes cross-domain alignment difficult because the behavioral anchors that align item spaces, such as overlapping users and shared interaction signals, are often sparse, unavailable, or privacy-sensitive across clients. To address this tension, we revisit federated CDR as generation over a stable semantic item language. By representing items as discrete semantic ID (SID) sequences derived from public item-side metadata, cross-domain item alignment is induced by a shared vocabulary rather than by exchanging private interactions or aligning domain-specific embeddings. Directly federating SID-based generators, however, introduces two design constraints: the SID tokenizer must remain fixed to preserve cross-client token consistency, which creates a semantic-only bottleneck because local collaborative filtering (CF) signals cannot be globally shared or aligned; meanwhile, standard federated averaging can cause negative transfer under domain heterogeneity. To overcome these constraints, we propose FedCGR, a federated generative CDR framework that keeps the item language stable and makes adaptation explicit. FedCGR injects local CF evidence through a reliability-aware semantic interface and trains a prototype-personalized generator that selectively aggregates shared parameters according to domain relatedness while keeping domain-specific quantities local. Experiments on six Amazon cross-domain scenarios show that FedCGR consistently outperforms federated generative baselines and achieves competitive performance against strong sequential and federated CDR methods under both full-ranking and sampled evaluation protocols.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、関連するドメイン間で好みの知識を転送するが、フェデレートされたデプロイメントは、重複するユーザや共有インタラクションシグナルといったアイテム空間を整列する動作アンカーが、クライアント間で疎結合、不使用、プライバシに敏感であるため、ドメイン間のアライメントを難しくする。 この緊張に対処するため、我々はCDRを安定なセマンティックアイテム言語に対する世代として再考した。 アイテムを公開アイテム側メタデータから派生した個別意味ID(SID)シーケンスとして表現することにより、ドメイン間のアイテムアライメントは、プライベートインタラクションの交換やドメイン固有の埋め込みの整合によってではなく、共有語彙によって誘導される。 SIDトークンは、局所的なコラボレーティブフィルタリング(CF)信号のグローバルな共有やアライメントができないため、意味のみのボトルネックを生じる。 これらの制約を克服するために、アイテム言語を安定に保ち、適応を明示するフェデレーションCDRフレームワークであるFedCGRを提案する。 FedCGRは、信頼性を意識したセマンティックインターフェースを通じてローカルCFエビデンスを注入し、ドメイン固有の量を維持しながら、ドメイン関連性に応じて共有パラメータを選択的に集約するプロトタイプパーソナライズドジェネレータを訓練する。 6つのAmazonクロスドメインシナリオの実験は、FedCGRがフェデレーションベースラインを一貫して上回り、フルレベルの評価プロトコルとサンプル評価プロトコルの両方の下で、強力なシーケンシャルおよびフェデレーションCDRメソッドと競合するパフォーマンスを達成することを示している。

関連論文リスト

• Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation [52.29536950794571]
  HD-Recは、クロスドメインレコメンデーションのための統一された生成フレームワークである。 グローバルに共有される粗いコードブックと適応的にルーティングされた微妙なコードブックを使用して意味的識別子を構築する階層的なドメイン認識量化器を採用している。 実験によると、HD-Recは競合するシーケンシャル、生成、ドメイン横断の推奨ベースラインよりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-08-07T09:15:19Z)
• Empowering Cross-Domain Sequential Recommendation with Hybrid Tokenization and Serial-Parallel Decoding [63.74998371740272]
  クロスドメインシーケンシャルレコメンデーション(CDSR)は、ユーザの動的関心遷移と複数のドメインにわたるシーケンシャルパターンをモデル化することを目的としている。 我々は,CDSRの効率的かつ効率的な生成フレームワークであるGenCDSRを提案する。 我々は、GenCDSRが、最先端のベースラインと比較して平均精度を1.5パーセント向上し、平均推論遅延を85.1%削減したことを示す。
  論文  参考訳（メタデータ） (2026-07-21T08:01:15Z)
• From Clues to Generation: Language-Guided Conditional Diffusion for Cross-Domain Recommendation [8.759054108541394]
  クロスドメインレコメンデーション(CDR)は、複数のドメイン間の相関を利用してデータの分散を緩和する。 本稿では,Language-Guided Conditional Diffusion for CDR (LGCD)を提案する。
  論文  参考訳（メタデータ） (2026-04-07T03:05:22Z)
• 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)
• SemaCDR: LLM-Powered Transferable Semantics for Cross-Domain Sequential Recommendation [41.816164787949376]
  クロスドメインレコメンデーション(CDR)は、データ豊富なソースドメインからの知識を活用することで、ターゲットドメインにおけるデータ空間とコールドスタートの問題に対処する。 本稿では,大言語モデル(LLM)を活用してセマンティック空間を構築する,クロスドメインシーケンシャルレコメンデーションのためのセマンティックス駆動フレームワークSemaCDRを提案する。
  論文  参考訳（メタデータ） (2026-01-30T09:07:06Z)
• 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)
• Federated Cross-Domain Click-Through Rate Prediction With Large Language Model Augmentation [4.978132660177235]
  大規模言語モデル拡張(FedCCTR-LM)を用いたFedCCTR予測について述べる。 まずプライバシ保護強化ネットワーク(PrivNet)では,ユーザとアイテムの表現を充実させるために,大規模な言語モデルを採用している。 第2に、IDST-CL(Independent Domain-Specific Transformer with Contrastive Learning)モジュールは、ドメイン固有の、共有されたユーザの好みを乱す。 第3に、Adaptive Local Differential Privacy(AdaLDP)メカニズムは、ノイズ注入を動的に校正し、厳密なプライバシー保証と予測精度の最適なバランスを実現する。
  論文  参考訳（メタデータ） (2025-03-21T06:22:42Z)
• LLM-RecG: A Semantic Bias-Aware Framework for Zero-Shot Sequential Recommendation [5.512301280728178]
  ゼロショットクロスドメインシーケンシャルレコメンデーション(ZCDSR)は、追加のトレーニングや微調整なしで、目に見えないドメインでの予測を可能にする。 大規模言語モデル(LLM)の最近の進歩は、ドメイン間の知識伝達を容易にすることで、ZCDSRを大幅に強化している。 本稿では,アイテムレベルとシーケンシャルレベルの両方において,ドメイン間のアライメントを改善するセマンティックバイアス対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-31T15:43:21Z)
• Joint Identifiability of Cross-Domain Recommendation via Hierarchical Subspace Disentanglement [19.29182848154183]
  CDR(Cross-Domain Recommendation)はドメイン間の効果的な知識伝達を実現する。 CDRは、ユーザ表現を2つのドメインにまたがる共同分布として記述するが、これらの方法は、その共同識別可能性を考慮していない。 本稿では,階層的部分空間のアンタングル化手法を提案し,ドメイン間結合分布の結合識別可能性について検討する。
  論文  参考訳（メタデータ） (2024-04-06T03:11:31Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。