Fugu-MT 論文翻訳(概要): Personalized and Multi-View Representation for Federated Cold-Start Recommendation

論文の概要: Personalized and Multi-View Representation for Federated Cold-Start Recommendation

arxiv url: http://arxiv.org/abs/2608.27826v1
Date: Fri, 28 Aug 2026 01:48:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.179496
Title: Personalized and Multi-View Representation for Federated Cold-Start Recommendation
Title（参考訳）: フェデレートされたコールドスタートレコメンデーションのためのパーソナライズとマルチビュー表現
Abstract要約: PMFRec(Federated Cold-Start Recommendation)のパーソナライズとマルチビュー表現を提案する。 PMFRecは、属性特徴からユーザ固有のアイテム表現を生成するために、パーソナライズされた表現生成器を学習する。実世界のデータセットの実験では、PMFRecはコールドイットムの推奨において、強いベースラインを一貫して上回っている。
参考スコア（独自算出の注目度）: 18.117610268256005
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated recommendation (FedRec) enables personalized modeling without centralizing users' interaction histories, but most existing methods assume a fixed item pool and thus overlook the practical cold-item setting where new items continuously arrive. Under the dual-sided constraint, where the server cannot access clients' interactions while clients cannot access the server's proprietary item attribute features, prior federated cold-start recommendation approaches suffer from three structural limitations: a lack of personalization, compositionality failure caused by forcing heterogeneous semantics into a single embedding space, and training- and communication-inefficiency arising from explicit alignment between separate collaborative and attribute representations. To address these challenges, we propose Personalized and Multi-view Representation for Federated Cold-Start Recommendation (PMFRec). PMFRec learns a personalized representation generator to produce user-specific item representations from attribute features, and introduces a global multi-view encoder with item-adaptive gating and an orthogonality objective to capture complementary semantic views while reducing cross-view redundancy. In addition, PMFRec fuses collaborative and attribute knowledge into a single exchanged item representation, eliminating the need for an explicit client-side regularizer and reducing communication overhead. Extensive experiments on real-world datasets show that PMFRec consistently outperforms strong baselines in cold-item recommendation and further improves user-level fairness, warm-scenario adaptability, and robustness under Local Differential Privacy (LDP).
Abstract（参考訳）: フェデレートされたレコメンデーション(FedRec)は,ユーザのインタラクション履歴を集中化せずにパーソナライズされたモデリングを可能にする。サーバがクライアントのインタラクションにアクセスできない場合、クライアントがサーバのプロプライエタリなアイテム属性機能にアクセスできない場合、事前のフェデレートされたコールドスタート推奨アプローチは、パーソナライゼーションの欠如、不均一なセマンティクスを単一の埋め込み空間に強制することによる構成上の失敗、異なるコラボレーティブと属性の表現との明確なアライメントから生じるトレーニングとコミュニケーションの効率性の3つの構造的制限に悩まされる。これらの課題に対処するため,フェデレートド・コールド・スタート・レコメンデーション(PMFRec)のためのパーソナライズド・マルチビュー・レコメンデーション(Personalized and Multi-view Representation)を提案する。 PMFRecは属性特徴からユーザ固有のアイテム表現を生成するためのパーソナライズされた表現ジェネレータを学習し、アイテム適応型ゲーティングを備えたグローバルなマルチビューエンコーダと、相互ビュー冗長性を低減しつつ補完的なセマンティックビューをキャプチャする直交目的を導入する。さらにPMFRecは、協調的および属性の知識を単一の交換されたアイテム表現に融合し、明示的なクライアント側正規化子の必要性を排除し、通信オーバーヘッドを低減する。実世界のデータセットに対する大規模な実験により、PMFRecはコールドイム推奨において一貫して強力なベースラインを上回り、ユーザーレベルの公正性、ウォーム・セサリオ適応性、そしてローカル微分プライバシー(LDP)の下での堅牢性を改善している。

関連論文リスト

Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
論文参考訳（メタデータ） (2026-05-05T07:02:50Z)
Sparse Personalized Text Generation with Multi-Trajectory Reasoning [95.19317487799292]
PAT(Personalization with Aligned Trajectories)は、コールドスタートLDMパーソナライズのための推論フレームワークである。まず、スタイリスティックに類似したユーザからの書き込みスタイルの手がかりと、嗜好に沿ったユーザからのトピック固有のコンテキストの2つの相補的なトラジェクトリに沿って情報を取得する。次に、強化学習に基づく反復的な二重共振機構を用い、LLMはこれらの信号を共同で洗練し統合することができる。
論文参考訳（メタデータ） (2026-04-27T20:58:49Z)
Learning to Collaborate via Structures: Cluster-Guided Item Alignment for Federated Recommendation [20.406834399432544]
フェデレートされたレコメンデーションは、機密性の高いユーザインタラクションデータをローカルに保ちながら、分散クライアント間のコラボレーティブモデルトレーニングを促進する。我々は、アップロードされた埋め込みをコンパクトなクラスタラベルに変換するフレームワークであるCluster-Guided FedRecフレームワーク(CGFedRec)を提案する。
論文参考訳（メタデータ） (2026-02-25T14:39:47Z)
Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
論文参考訳（メタデータ） (2026-02-12T20:41:22Z)
FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios [58.33672784127872]
フェデレーションレコメンデーション(FR)は、デバイス上のプライバシ保護パラダイムとして登場した。本稿では,対話行動の補完として項目文表現を取り入れたFedUTRという新しい手法を提案する。提案手法は,SOTAベースラインと比較して,全データセットの最大59%の改善を達成し,優れた性能を実現する。
論文参考訳（メタデータ） (2026-01-29T08:55:19Z)
MDiffFR: Modality-Guided Diffusion Generation for Cold-start Items in Federated Recommendation [21.56907456486488]
フェデレートされたレコメンデーション(FR)は、ローカルクライアントにユーザデータを保管することで、ユーザのプライバシを保護しながら、パーソナライズされたサービスを提供する。 FRに固有の厳格なプライバシ制約のため、クライアント間でのユーザとイテムのインタラクションデータやユーザプロファイルへのアクセスは極めて制限されている。そこで本研究では,冷間開始項目に対する新世代モード誘導拡散法MDiffFRを提案する。
論文参考訳（メタデータ） (2025-12-31T08:29:34Z)
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)
M^2VAE: Multi-Modal Multi-View Variational Autoencoder for Cold-start Item Recommendation [14.644213412218742]
コールドスタートアイテムレコメンデーションはレコメンデーションシステムにおいて重要な課題である。既存の方法は、コールドスタート問題を緩和するためにマルチモーダルコンテンツを利用する。本稿では,属性とマルチモーダルの特徴の共通性とユニークなビューをモデル化する上での課題に対処する生成モデルを提案する。
論文参考訳（メタデータ） (2025-08-01T09:16:26Z)
Beyond Personalization: Federated Recommendation with Calibration via Low-rank Decomposition [18.323509259364908]
フェデレーションレコメンデーション(FR)は、レコメンデーションシステムにおけるユーザのプライバシを保護するための有望なパラダイムである。グローバルに集約されたアイテムの埋め込みはユーザ埋め込みのスキューを誘導し、最適以下のパフォーマンスをもたらすことを実証的に見出した。我々は、ユーザ埋め込みスキューを緩和し、パフォーマンス、効率、プライバシ間で望ましいトレードオフを実現するためにPFedCLRを提案する。
論文参考訳（メタデータ） (2025-06-11T08:51:19Z)
Co-clustering for Federated Recommender System [33.70723179405055]
Federated Recommender System(FRS)は、高品質なレコメンデーションの提供とユーザのプライバシの保護のバランスをとるソリューションを提供する。パーソナライズされた意思決定パターンによって一般的に観察されるFRSにおける統計的不均一性の存在は、課題を引き起こす可能性がある。本稿では,Co-clustering Federated RecommendationメカニズムであるCoFedRecを提案する。
論文参考訳（メタデータ） (2024-11-03T21:32:07Z)
Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
論文参考訳（メタデータ） (2024-08-16T05:49:14Z)

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。