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。
レコメンダーシステムは,人々が情報を見つけるのを助け,今日のますますデジタル化された社会における決定を行う上で重要な役割を果たす。しかし,そのような機械学習アプリケーションの幅広い採用も,データプライバシーに関して懸念を引き起こす。これらの懸念は,ヨーロッパにおける最近の「一般データ保護規制」(GDPR)によって取り組まれており,利用者が彼らの「忘れ」を課すとき,要求時に個人のユーザデータを削除する企業を必要とする。多くの研究者は,この削除義務が,関係データベースのような一次データ店に保存されるデータに適用されるだけでなく,訓練集合が個人データを含む機械学習モデルの更新を必要とすると主張する。著者らは,目標がユーザの購入履歴に基づくアイテムの集合を推薦するという,次のバスケット推薦(NBR)と呼ばれる逐次推薦タスクの文脈において,この方向を探究した。ユーザバスケットとアイテムの加算と削除に応じて,最先端の次のバスケット推薦モデルを漸増的に更新するための効率的なアルゴリズムを設計した。さらに,Spark構造化ストリーミングシステムにおける提案手法の効率的なデータ並列実装を論じた。多様な実世界データセットに関する実装を評価し,ここでは,いくつかのランキングメトリックに対する更新技法の影響を検討し,モデル更新を実行するための時間を測定した。結果は,著者らの方法が,増分事例における付加的ユーザバスケットに関して一定の更新時間効率を提供し,既存のバスケットを削除する減少事例における線形効率を提供することを示した。中程度の計算資源により,増分事例における履歴サイズに関係なく,約0.2 ̄milli秒の待ち時間を持つモデルを更新でき,減少事例において1ミリ秒未満になった。【JST・京大機械翻訳】