Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

FedGRec: Dynamic Spatio-Temporal Federated Graph Learning for Secure and Efficient Cross-Border Recommendations

Created by
  • Haebom

저자

Zhizhong Tan, Jiexin Zheng, Xingxing Yang, Chi Zhang, Weiping Deng, Wenyong Wang

개요

본 논문은 국경을 초월한 데이터 공유의 민감한 특성으로 인해 모델 학습에 사용 가능한 데이터가 부족한 문제를 해결하기 위해, 개인정보 보호를 보장하면서 효율적인 국경 간 비즈니스 추천을 가능하게 하는 프라이버시 보존 연합 학습 기반 그래프 학습 방법인 FedGRec을 제안합니다. FedGRec은 분산된 다중 도메인 데이터에서 사용자 선호도를 포착하여 모든 도메인에서 추천 성능을 향상시키고, 사용자 또는 아이템과 관련된 지역적 서브그래프의 공동 신호를 활용하여 표현 학습을 풍부하게 합니다. 또한, 동적 시공간 모델링을 통해 실시간으로 전역 및 지역 사용자 선호도를 통합하여 최종 표현을 도출하며, 관련 행동을 자동으로 필터링하여 신뢰할 수 없는 이웃으로부터의 노이즈 간섭을 효과적으로 완화합니다. 개인화된 연합 집계 전략을 통해 이기종 도메인 데이터에 전역 선호도를 적용하여 여러 도메인에서 사용자 선호도의 공동 학습을 가능하게 합니다. 세 개의 데이터셋에 대한 광범위한 실험을 통해 FedGRec이 경쟁력 있는 단일 도메인 및 크로스 도메인 기준 모델보다 일관되게 성능이 우수하며, 국경 간 추천에서 데이터 프라이버시를 효과적으로 보호함을 보여줍니다.

시사점, 한계점

시사점:
국경 간 데이터 공유의 프라이버시 문제를 해결하는 효과적인 연합 학습 기반 그래프 학습 방법 제시
분산된 다중 도메인 데이터에서 사용자 선호도를 효과적으로 포착하여 추천 성능 향상
동적 시공간 모델링과 개인화된 연합 집계 전략을 통해 이기종 데이터 환경에서의 성능 향상
신뢰할 수 없는 이웃으로부터의 노이즈 간섭 완화
실험을 통해 경쟁 모델 대비 우수한 성능과 프라이버시 보호 효과 검증
한계점:
제안된 방법의 실제 적용 가능성에 대한 추가적인 연구 필요
다양한 종류의 이기종 데이터에 대한 일반화 성능 평가 필요
대규모 데이터셋에 대한 확장성 평가 필요
프라이버시 보호의 강도에 대한 더욱 엄격한 분석 필요
👍