抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
次のPOIを訪問するのを助けるために,その有効性により,位置合わせ(POI)推薦は,位置ベース社会ネットワーク(LBSN)における不可欠な機能になった。しかし,正確な推薦は膨大な量の歴史的チェックインデータを必要とし,従って,位置敏感データとしてのユーザプライバシーの脅威はクラウドサーバにより処理する必要がある。プライバシー保護POI推薦のためのいくつかのオンデバイスフレームワークがあるが,それらは貯蔵と計算に来るとき,まだ資源集約的であり,ユーザ-POI相互作用の高いスパース性に対して限られたロバスト性を示す。これに基づき,POI推薦(DCLR)のための新しい分散協調学習フレームワークを提案し,ユーザが協調的方法でそれらの個別化モデルを局所的に訓練することを可能にする。DCLRは,訓練のためのクラウドに対する局所モデルの依存性を著しく減らし,任意の集中推薦モデルを拡張するために使用できる。各局所モデルを学習するときのオンデバイスユーザデータのスパース性を打ち消すために,POIの地理的およびカテゴリ的相関を用いて,サーバ上のPOI表現をプレトレインする2つの自己スーパービジョン信号を設計した。協調学習を容易にするために,意図的集約と相互情報最大化を持つ各局所モデルに地理的または意味的類似ユーザから知識を組み入れる革新的提案を行った。協調学習プロセスは,ユーザグループを識別するための中心サーバからのわずかな関与のみを必要とする間,デバイス間の通信を利用し,差動プライバシーのような一般的なプライバシー保護機構と互換性がある。2つの実世界データセットを用いてDCLRを評価し,その結果,DCLRは最先端のオンデバイスフレームワークよりも性能が優れており,集中化対応物と比較して競合結果が得られることを示した。【JST・京大機械翻訳】