論文の概要: PriCoRec: A Privacy-Aware Cloud-Device Collaborative Framework for Ad Recommendation under Feature Constraints
- arxiv url: http://arxiv.org/abs/2608.14429v1
- Date: Fri, 14 Aug 2026 16:11:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.43235
- Title: PriCoRec: A Privacy-Aware Cloud-Device Collaborative Framework for Ad Recommendation under Feature Constraints
- Title（参考訳）: PriCoRec: 機能制約下での広告推奨のためのプライバシ対応のクラウドデバイスコラボレーションフレームワーク
- Abstract要約: プライバシを意識した協調型クラウドデバイス広告推奨フレームワーク(PriCoRec)を提案する。
PriCoRecはデバイス上の機密機能を保ちながらレコメンデーションをパーソナライズする。
実験により、提案されたフレームワークは、デバイス上で機密性の高い機能を保ちながら、強力なレコメンデーションパフォーマンスを維持していることが示された。
- 参考スコア（独自算出の注目度）: 10.20038818942738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Privacy regulations increasingly restrict cloud processing of sensitive user data (e.g., age, gender), hindering traditional cloud-only recommendation models. To mitigate this challenge, we propose a Privacy-aware Collaborative cloud-device ads Recommendation framework (PriCoRec) which personalizes recommendations while keeping sensitive features on-device. While separating recommendation into cloud-based and on-device stages enables privacy-aware deployment, naive splitting suffers from degraded shortlist quality and inefficient on-device inference due to limited private features. We therefore design a collaborative framework that comprises a cloud-based pre-ranking stage using cloud-accessible features, and an on-device ranking stage that locally incorporates highly personalized features. We introduce a diversity regularizer to pre-ranking to improve candidate quality. Moreover, to control device power consumption and computational cost, we incorporate a cloud-guided training mechanism that enhances device model performance while keeping the model lightweight. Experiments demonstrate that the proposed framework maintains strong recommendation performance while keeping sensitive features on-device.
- Abstract（参考訳）: プライバシー規制は、機密性の高いユーザーデータ(例えば、年齢、性別)のクラウド処理をますます制限し、従来のクラウドのみのレコメンデーションモデルを妨げる。
この課題を軽減するために、プライバシ対応の協調型クラウドデバイス広告レコメンデーションフレームワーク(PriCoRec)を提案し、デバイス上で機密機能を保ちながらレコメンデーションをパーソナライズする。
クラウドベースとオンデバイスステージにレコメンデーションを分離することで、プライバシを意識したデプロイメントが可能になる。
そこで我々は、クラウドアクセス可能な機能を用いたクラウドベースのプレグレードステージと、高度にパーソナライズされた機能をローカルに組み込んだオンデバイスランキングステージからなる協調的なフレームワークを設計する。
候補品質を改善するために,事前評価にダイバーシティ・レギュラーライザを導入する。
さらに, 機器の消費電力と計算コストを制御するため, クラウド誘導型トレーニング機構を導入し, モデル軽量化を図りながら, デバイスモデルの性能を向上させる。
実験により、提案されたフレームワークは、デバイス上で機密性の高い機能を保ちながら、強力なレコメンデーションパフォーマンスを維持していることが示された。
関連論文リスト
- MemPrivacy: Privacy-Preserving Personalized Memory Management for Edge-Cloud Agents [58.65181747637314]
エッジデバイス上でのプライバシに敏感なスパンを識別するMemPrivacyを提案する。
クラウドサイドのメモリ処理のために、セマンティックに構造化されたタイプアウェアプレースホルダーに置き換えられる。
MemPrivacyは、効果的なメモリ生成と検索に必要な情報を保持しながら、機密データの露出を最小限にする。
論文 参考訳（メタデータ） (2026-05-10T13:31:58Z) - PAAC: Privacy-Aware Agentic Device-Cloud Collaboration [27.486312939995145]
我々は,プライバシを意識したエージェントフレームワークPAACを開発し,プランナ-実行者分解をデバイス-クラウド境界に整合させる。
数学、科学、ファイナンスを含む10の領域にまたがる17のベンチマークに対して、一貫した改善が見られます。
論文 参考訳（メタデータ） (2026-05-09T03:29:20Z) - SpecSteer: Synergizing Local Context and Global Reasoning for Efficient Personalized Generation [79.75755802397312]
SpecSteerは非対称な協調推論フレームワークで、デバイス上のプライベートコンテキストとクラウドスケールの推論を相乗化する。
実験により、SpecSteerは推論のギャップを埋め、パーソナライズされた生成性能を向上することを示した。
論文 参考訳（メタデータ） (2026-03-17T07:51:29Z) - A Distributed Framework for Privacy-Enhanced Vision Transformers on the Edge [3.344634520578015]
視覚変換器(ViT)のための分散階層型オフロードフレームワークを提案する。
このアプローチでは、エッジオーケストレータとして、携帯電話やNvidia Jetsonといった、ローカルな信頼できるエッジデバイスを使用します。
設計上、単一の外部サーバが完全なイメージを持っておらず、包括的なデータ再構成を防いでいる。
論文 参考訳（メタデータ） (2025-12-10T04:37:07Z) - ObCLIP: Oblivious CLoud-Device Hybrid Image Generation with Privacy Preservation [9.081441952478306]
ObCLIPは、不愉快なクラウドデバイスハイブリッド生成のためのプラグアンドプレイセーフガードである。
厳格なプライバシと、サーバコストがわずかに向上したクラウドモデルに匹敵するユーティリティを提供する。
論文 参考訳（メタデータ） (2025-10-05T11:09:10Z) - Cloud-Device Collaborative Agents for Sequential Recommendation [36.05863003744828]
大規模言語モデル(LLM)は、強力な意味理解と柔軟な推論機能を備えたエージェントベースのレコメンデーションシステムを実現している。
LLMは強力なパーソナライズを提供するが、プライバシの懸念やリアルタイム信号へのアクセス制限、スケーラビリティのボトルネックに悩まされることが多い。
本稿では,2つのエージェントを駆使したシーケンシャルレコメンデーションのための新しいクラウド・デバイス協調フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-01T15:28:11Z) - CoSteer: Collaborative Decoding-Time Personalization via Local Delta Steering [80.54309860395763]
CoSteerは、ローカライズされたデルタステアリングを通じてデコード時のパーソナライズを可能にする、新しいコラボレーティブフレームワークである。
トークンレベルの最適化をオンライン学習問題として定式化し、ローカルデルタベクトルがリモートLLMのロジットを動的に調整する。
このアプローチは、生のデータや中間ベクトルではなく、最後のステアリングトークンのみを送信することで、プライバシを保護します。
論文 参考訳（メタデータ） (2025-07-07T08:32:29Z) - Personalized Language Models via Privacy-Preserving Evolutionary Model Merging [53.97323896430374]
言語モデルにおけるパーソナライゼーションは、個々のユーザやユーザグループに対する振る舞いをモデル化することを目的としている。
進化的アルゴリズム(PriME)によるプライバシ保護モデルマージを提案する。
PriMEは、プライバシーリスクを低減しつつ、ユーティリティを直接最適化するために、勾配のない方法を採用している。
LaMPベンチマークの実験によると、Primeは一貫してベースラインを上回り、タスクパフォーマンスを最大45%改善している。
論文 参考訳（メタデータ） (2025-03-23T09:46:07Z) - Intelligent Model Update Strategy for Sequential Recommendation [34.02565495747133]
我々はIntellectReqを紹介した。IntellectReqはエッジで動作するように設計されており、最小の通信オーバーヘッドでパラメータ要求のコスト対効果を評価できる。
本研究では,実時間ユーザ動作を正規分布に変換するために統計マッピング手法を用い,モデルの不確実性を定量化するためにマルチサンプル出力を用いる。
論文 参考訳（メタデータ） (2023-02-14T20:44:12Z) - Device-Cloud Collaborative Recommendation via Meta Controller [65.97416287295152]
オンデバイスレコメンデータとクラウドベースのレコメンデータの協調を動的に管理するメタコントローラを提案する。
対策サンプルと拡張トレーニングに基づいて,産業レコメンデーションシナリオにおける広範な実験は,メタコントローラの可能性を示唆している。
論文 参考訳（メタデータ） (2022-07-07T03:23:04Z) - Device-Cloud Collaborative Learning for Recommendation [50.01289274123047]
集中型クラウドモデルにより「数千人のモデルを持つ何千人もの人」を効率的に実現する新しいMetaPatch学習手法をデバイス側で提案します。
数十億の更新されたパーソナライズされたデバイスモデルにより、集中型クラウドモデルを更新する"モデルオーバーモデル"蒸留アルゴリズム、すなわちMoMoDistillを提案する。
論文 参考訳（メタデータ） (2021-04-14T05:06:59Z)
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。