論文の概要: FedHUR: Learning Hierarchical Utility-Guided Client Relations for Personalized Federated Recommendation

• arxiv url: http://arxiv.org/abs/2609.11632v1
• Date: Thu, 10 Sep 2026 14:42:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.402355
• Title: FedHUR: Learning Hierarchical Utility-Guided Client Relations for Personalized Federated Recommendation
• Title（参考訳）: FedHUR: 個人化されたフェデレーションレコメンデーションのための階層的ユーティリティ駆動型クライアント関係の学習
• Abstract要約: フェデレートされたレコメンデーションは、ユーザインタラクションデータをローカルクライアントに保持しながら、協調的なモデルトレーニングを可能にする。 FedHURは階層的なユーティリティ誘導型クライアント関係を学習するためのフレームワークである。 5つの実世界のデータセットの実験は、FedHURが既存のフェデレーションベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 44.13013639783267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated recommendation enables collaborative model training while keeping user interaction data on local clients. A central problem in federated recommendation is how to aggregate useful information across clients for personalized recommendation. Existing personalized aggregation methods usually construct client relations from predefined parameter-based assumptions, such as parameter similarity or complementarity, and use these relations to determine aggregation weights. However, such methods construct a single global relation, which is insufficient to capture the hierarchical and multi-granularity nature of user relations in recommendation. Moreover, these predefined relations cannot directly reflect whether the related clients can improve prediction performance after aggregation. To address these limitations, we propose FedHUR, a federated recommendation framework for learning hierarchical utility-guided client relations. FedHUR takes item-item filters as the object for relation construction and aggregation. Specifically, it first aggregates and clusters each client's local information to obtain global hierarchical information. Each client computes hierarchical utility signals based on its local information and the global hierarchical information, indicating which collaborative information is useful for improving its prediction. The server uses these utility signals to retrieve clients that are useful to that client for further personalized aggregation. Extensive experiments on five real-world datasets show that FedHUR consistently outperforms existing federated recommendation baselines, demonstrating the effectiveness of hierarchical utility-guided client relation learning. Code is available at https://github.com/Mingzhe-Han/FedHUR.
• Abstract（参考訳）: フェデレートされたレコメンデーションは、ユーザインタラクションデータをローカルクライアントに保持しながら、協調的なモデルトレーニングを可能にする。 フェデレーションレコメンデーションにおける中心的な問題は、パーソナライズされたレコメンデーションのために、クライアント間で有用な情報を集約する方法である。 既存のパーソナライズされたアグリゲーションメソッドは通常、パラメータの類似性や相補性といった事前定義されたパラメータベースの仮定からクライアント関係を構築し、これらの関係を使ってアグリゲーションの重み付けを決定する。 しかし,このような手法は,ユーザ関係の階層的・多粒性の性質を捉えるには不十分な,単一のグローバルな関係を構築している。 さらに、これらの事前定義された関係は、関連するクライアントが集約後の予測性能を向上できるかどうかを直接反映できない。 これらの制約に対処するため、我々は階層的なユーティリティ誘導型クライアント関係を学習するためのフェデレーション・レコメンデーション・フレームワークであるFedHURを提案する。 FedHURは、関連構築とアグリゲーションのオブジェクトとしてアイテムイテムフィルタを採用している。 具体的には、まず各クライアントのローカル情報を集約し、クラスタ化し、グローバルな階層情報を取得する。 各クライアントは、そのローカル情報とグローバル階層情報に基づいて階層的ユーティリティ信号を計算し、その予測を改善するのにどの協調情報が有用かを示す。 サーバはこれらのユーティリティ信号を使用して、さらにパーソナライズされたアグリゲーションに役立つクライアントを検索する。 5つの実世界のデータセットに対する大規模な実験により、FedHURは既存のフェデレーションベースラインを一貫して上回り、階層的なユーティリティ誘導型クライアント関係学習の有効性を示している。 コードはhttps://github.com/Mingzhe-Han/FedHUR.comで入手できる。

関連論文リスト

• Federated Learning with Energy-Based Structured Probabilistic Inference [7.122698354756618]
  フェデレーション学習は通常、固定ルールまたは重み付けルールを使用してクライアント更新を集約する。 条件付きランダムフィールド(CRF)を用いたクライアント集約重み付けを洗練するフレームワークを提案する。 本手法では,各クライアントに対する一元的ポテンシャルと全クライアント対に対するペアワイズポテンシャルを定義し,クライアント固有の信頼性とクライアント間のインタラクションの両方をサーバがモデル化できるようにする。
  論文  参考訳（メタデータ） (2026-06-29T11:38:46Z)
• 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)
• 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)
• 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)
• Far From Sight, Far From Mind: Inverse Distance Weighting for Graph Federated Recommendation [2.8449839307925955]
  Dist-FedAvgはグラフフェデレーション学習におけるパーソナライズとアグリゲーション効率を向上させるために設計された,新しい距離ベースアグリゲーション手法である。 本手法は,同種の埋め込みを行うユーザに対して高い集約重みを付与すると同時に,アンカーユーザがローカル更新に大きな影響を与えることを保証する。
  論文  参考訳（メタデータ） (2025-07-02T01:57:58Z)
• FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation [28.8047308546416]
  プライバシー保護のためのフェデレーション・コラボレーティブ・インフォメーション・アグリゲーション(FedCIA)手法を導入する。 FedCIAは、クライアントが埋め込みを統一されたベクトル空間に制約することなく、ローカルモデルを調整できる。 直接和による情報損失を軽減し、個々のクライアントのパーソナライズされた埋め込み分布を保存し、パラメータフリーモデルの集約をサポートする。
  論文  参考訳（メタデータ） (2025-04-19T06:59:34Z)
• Personalized Federated Knowledge Graph Embedding with Client-Wise Relation Graph [49.66272783945571]
  クライアント関係グラフを用いた個人化フェデレーション知識グラフを提案する。 PFedEGは、近隣のクライアントから埋め込まれたエンティティを集約することで、各クライアントに対してパーソナライズされた補完知識を学習する。 我々は4つのベンチマークデータセットの広範な実験を行い、その手法を最先端モデルに対して評価する。
  論文  参考訳（メタデータ） (2024-06-17T17:44:53Z)
• Beyond Similarity: Personalized Federated Recommendation with Composite Aggregation [22.359428566363945]
  フェデレーションレコメンデーションは、大規模なデバイスからローカルモデルを集約することで、グローバルな知識を集めることを目的としている。 現在の手法は主に、連合視覚コミュニティによって発明された集約関数を利用して、類似したクライアントからのパラメータを集約する。 複合アグリゲーション(FedCA)を用いたパーソナライズド・フェデレーション・レコメンデーション・モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:17:52Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)
• Personalized Federated Learning with First Order Model Optimization [76.81546598985159]
  そこで我々は,各クライアントが他のクライアントと連携して,クライアント固有の目的ごとのより強力なモデルを得る,フェデレーション学習の代替案を提案する。 基礎となるデータ分布やクライアントの類似性に関する知識を前提とせず、各クライアントが関心のある任意のターゲット分布を最適化できるようにします。 この手法は既存の代替品を上回り、ローカルデータ配信以外の転送のようなパーソナライズされたFLの新機能を可能にする。
  論文  参考訳（メタデータ） (2020-12-15T19:30:29Z)

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。