RegionFed：異種小売環境におけるパーソナライズされたクエリ理解のための連合学習

RegionFed: Federated Learning for Personalized Query Understanding in Heterogeneous Retail Environments

https://export.arxiv.org/api/query·2026/9/4

AI要約

RegionFedは、異種小売環境におけるパーソナライズされたクエリ理解のための連邦学習フレームワークである。地理的に多様な地域におけるクエリパターンや製品嗜好の差異に対応し、プライバシーを保護しつつ、グローバルモデルの性能低下を抑え、地域ごとの性能を向上させる。

AI要点

RegionFedは、地域ごとのクエリパターンが異なる小売環境で、連合学習によるパーソナライズされたクエリ理解を実現するフレームワークである。
従来の連合学習は地域性能を犠牲にするグローバルモデルを生成し、既存のパーソナライズ手法はTransformerモデルで性能が低下する問題があった。
RegionFedは勾配レベルで動作し、地域勾配とグローバル勾配の対立を検出し、パーソナライズ戦略を最適化することで、Transformerモデルでの崩壊を防ぐ。
RegionFedはT5、RoBERTa、CNNなどの多様なモデルアーキテクチャにコード変更なしで適用可能であり、Transformerで大幅な性能向上をもたらす。
RegionFed-Metaは、プライバシーを侵害する中央集権型手法との差を0.23ppに縮小し、差分プライバシーを確保しながら収束性も達成している。

なぜ重要か

連合学習における地域ごとのデータ特性の違いによるモデル性能低下問題を、勾配レベルでのアーキテクチャ非依存なアプローチで解決し、プライバシーを保護しつつ、多様なモデルでパーソナライズ性能を向上させる可能性を示唆する。