Fugu-MT 論文翻訳(概要): Federated Recommender Agents

論文の概要: Federated Recommender Agents

arxiv url: http://arxiv.org/abs/2610.39289v1
Date: Thu, 29 Oct 2026 03:38:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-03 00:17:08.328435
Title: Federated Recommender Agents
Title（参考訳）: Federated Recommender Agents
Abstract要約: LLMを利用する推奨エージェントは、パーソナライズのために推論とメモリを使用するが、ユーザー情報への集中的なアクセスはプライバシーの懸念を引き起こす。我々は、現地のエージェントが自然言語の知識を通じて協力する環境であるFederated Recommender Agentsを定式化する。 LLMパラメータを更新せずに協調できるFedRecAgentを提案する。
参考スコア（独自算出の注目度）: 18.117610268256005
License: http://creativecommons.org/licenses/by/4.0/
Abstract: LLM-powered recommender agents use reasoning and memory for personalization, but centralized access to user information raises privacy concerns, while isolated agents cannot learn from others' experiences. We formulate Federated Recommender Agents, a setting where local agents collaborate through natural-language knowledge while keeping interaction histories and personal memories local. We propose FedRecAgent, which enables this collaboration without updating LLM parameters. Its central challenge is determining which reasoning to integrate, since similar behavioral contexts can lead to different choices. FedRecAgent represents local experiences as Condition-Transition-Reasoning (C-T-R) units and hierarchically integrates reasoning by condition and transition. Within this structure, it consolidates related explanations and discriminates reasoning across alternative transitions. Each client maintains semantic and decision memories to capture preferences and conditional choice tendencies, guiding the retrieval and selection of shared reasoning for recommendation. Experiments across three domains under dense and sparse settings demonstrate improved recommendation performance over federated and LLM-based baselines, while ablations support the contributions of personalized memories and structured reasoning integration.
Abstract（参考訳）: LLMを利用したレコメンデーターエージェントは、パーソナライズのために推論とメモリを使用するが、ユーザー情報への集中アクセスはプライバシの懸念を引き起こすが、分離されたエージェントは他のエージェントの経験から学ぶことはできない。我々は、対話履歴や個人的な記憶をローカルに保ちながら、現地のエージェントが自然言語の知識を通じて協力する環境であるFederated Recommender Agentsを定式化する。 LLMパラメータを更新せずに協調できるFedRecAgentを提案する。その中心的な課題は、どの推論を統合するかを決定することである。 FedRecAgentは、条件遷移推論(Condition-Transition-Reasoning、C-T-R)単位として局所的な経験を表し、条件と遷移による推論を階層的に統合する。この構造の中では、関連する説明を集約し、代替遷移における推論を識別する。各クライアントはセマンティックおよび決定記憶を保持し、好みと条件の選択傾向を捉え、推薦のための共有推論の検索と選択を導く。密集したスパースな設定下での3つのドメインにわたる実験では、フェデレーションとLLMベースのベースラインよりも推奨性能が向上し、エイブリッドはパーソナライズされた記憶と構造化推論の統合の寄与を支持している。

関連論文リスト

Multi-Agent Relay Thinking [71.57818799232307]
マルチエージェント信頼誘導リレー(MACR) 我々はエージェント間の動的リレー協調を可能にするフレームワークであるMulti-Agent Confidence-Guided Relay(MACR)を紹介する。
論文参考訳（メタデータ） (2026-10-26T11:10:10Z)
AgentWebRec: Compact Evidence Fusion over the Agent Web for Personalized Recommendation [9.914719738932904]
LLMベースのパーソナルエージェントは、ユーザとレコメンデーションプラットフォームの間のユーザセマンティクスと仲介の永続的なキャリアとして出現している。本稿では,AgentWebRecを提案する。AgentWebRecは,各ユーザ・イテム決定に対する分散エビデンスを段階的に取得し,融合するユーザエージェント指向のフレームワークである。
論文参考訳（メタデータ） (2026-10-01T13:51:13Z)
RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation [63.74915464611075]
RecThinkerはツール拡張推論を推奨するエージェントフレームワークである。我々はRecThinker専用のツール群を開発し、モデルがユーザアイテム側および協調的な情報を取得することを可能にする。
論文参考訳（メタデータ） (2026-03-10T16:07:17Z)
AgentSelect: Benchmark for Narrative Query-to-Agent Recommendation [39.61543921719145]
AgentSelectは、エージェントの選択をナラティブクエリからエージェントへのレコメンデーションとして再設計するベンチマークである。異種評価アーティファクトを、統一された正のみの相互作用データに変換する。 AgentSelectは、エージェントレコメンデーションのための最初の統一データと評価インフラストラクチャを提供する。
論文参考訳（メタデータ） (2026-03-04T06:17:51Z)
AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
論文参考訳（メタデータ） (2026-03-02T15:15:11Z)
AMEM4Rec: Leveraging Cross-User Similarity for Memory Evolution in Agentic LLM Recommenders [5.664940585902205]
AMEM4Recは、クロスユーザーメモリの進化を通じて、エンドツーエンドで協調的なシグナルを学習するエージェントレコメンデーターである。 AmazonとMINDデータセットの実験によると、AMEM4Recは、最先端のLLMベースのレコメンデータを一貫して上回っている。
論文参考訳（メタデータ） (2026-02-09T16:06:55Z)
RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
論文参考訳（メタデータ） (2026-01-29T12:14:31Z)
AgentDR Dynamic Recommendation with Implicit Item-Item Relations via LLM-based Agents [42.177723613925146]
本稿では,LLM推論をスケーラブルなレコメンデーションツールでブリッジする新しいLLMエージェントフレームワークであるAgenDRを提案する。提案手法は,複数のレコメンデーション出力を統合するためにLLMを活用しながら,従来のモデルに上位タスクを委譲する。我々のフレームワークは、その基盤となるツールよりも平均して2倍改善され、優れたフルレベルのパフォーマンスを実現していることを示す。
論文参考訳（メタデータ） (2025-10-07T05:48:05Z)
Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
論文参考訳（メタデータ） (2024-11-16T11:47:21Z)
Navigating the Future of Federated Recommendation Systems with Foundation Models [36.85043146335166]
Federated Recommendation Systems(FRS)は、データストレージの分散化による従来の集中型アプローチの代替として、プライバシ保護を提供する。ファンデーションモデル(FM)の最近の進歩は、強力なクロスタスクの知識伝達を通じてこれらの問題を克服する機会を提供する。 FMにより強化されたフレームワークがクライアント側のパーソナライズ、通信効率、サーバ側のアグリゲーションを大幅に改善できることを示す。
論文参考訳（メタデータ） (2024-05-12T04:15:05Z)

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。