초록 열기/닫기 버튼
본 논문에서는 사용자의 프라이버시를 보호하기 위한 연합 학습 기반의 추천 시스템을 제안한다. 기존 추천 시스템의 경우 데이터가 비독립 동일 분포(Non-IID)일 경우 추천의 성능이 저하되며, 데이터가 기관별로 나누어져 있는 경우 한곳에 모아서 모델링을 진행해야 하는 등의 데이터 프라이버시 이슈가 존재한다. 이러한 문제들을 해결하기 위해 제안하는 추천 시스템에서는 계층적 클러스터링을 통한 서버의 클라이언트 선택 전략과 연합 학습 기법을 사용하여, 비독립 동일 분포에서 나타나는 추천 성능 저하 문제와 사용자 프라이버시 문제를 동시에 해결하였다. 본 논문에서 제안하는 프라이버시를 보호하는 추천 시스템은 온라인 교육과정을 추천하는 환경에서 유용하게 활용될 수 있으며, 대표적으로 한국교육학술정보원(KERIS)에 서 제공하는 맞춤 배움길 서비스 등에 활용될 수 있다.
This paper proposes a recommender system based on federated learning to preserve user privacy. Traditio nal recommender systems often experience performance degradation when dealing with Non-IID (Non-Indep endent and Identically Distributed) data. Furthermore, when data is distributed across various institutions, it necessitates centralized modelling, leading to privacy concerns. To address these challenges, our proposed system employs hierarchical clustering for server-client selection strategies, coupled with federated learning techniques. This approach effectively mitigates recommendation performance issues arising from Non-IID distributions and simultaneously addresses user privacy concerns. The privacypreserving recommender system presented in this paper is particularly beneficial for online educational course recommendation scenarios and can be applied to services such as the tailored learning paths provided by KERIS.
키워드열기/닫기 버튼
Federated Learning, Non-IID, Recommender System, Education, Privacy
