TRU: Targeted Reverse Update for Efficient Multimodal Recommendation Unlearning

Created by

Haebom

저자

Zhanting Zhou, KaHou Tam, Ziqiang Zheng, Zeyu Ma, Yang Yang

💡 개요

본 연구는 멀티모달 추천 시스템(MRS)에서 사용자 데이터 삭제를 효율적으로 처리하기 위한 새로운 접근 방식인 TRU(Targeted Reverse Update)를 제안합니다. 기존의 일괄적인 역방향 업데이트 방식이 MRS의 비균일적인 데이터 영향 분포에 적합하지 않음을 지적하며, TRU는 순위 정보, 모달리티 분기, 신경망 계층별 민감도를 고려한 표적화된 업데이트를 통해 이를 해결합니다. 실험 결과 TRU는 기존 방법 대비 더 나은 정보 유지-삭제 균형을 달성하고, 완벽한 재학습에 가까운 결과를 보여줍니다.

🔑 시사점 및 한계

•

멀티모달 추천 시스템의 데이터 삭제 시, 비균일적인 영향 분포를 고려한 표적화된 업데이트 전략이 필요하며, TRU는 이를 효과적으로 달성합니다.

•

TRU는 순위 정보 융합, 모달리티 간 균형 조정, 계층별 민감도 제어를 통해 효율적이고 깊이 있는 정보 삭제를 가능하게 합니다.

•

제안된 TRU 프레임워크는 기존 MRS 모델에 플러그 앤 플레이 방식으로 적용 가능하여 실용성을 높입니다.

•

향후 연구에서는 다양한 멀티모달 추천 시스템 아키텍처에 TRU를 확장 적용하고, 더 복잡한 데이터 삭제 시나리오에 대한 성능을 검증할 필요가 있습니다.

PDF 보기

Made with Slashpage