Fugu-MT 論文翻訳(概要): Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification

論文の概要: Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification

arxiv url: http://arxiv.org/abs/2005.11903v3
Date: Mon, 25 Apr 2022 03:04:30 GMT
ステータス: 処理完了
システム内更新日: 2022-11-29 05:38:35.545316
Title: Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification
Title（参考訳）: プライバシ保存ノード分類のための垂直フェデレーショングラフニューラルネットワーク
Authors: Chaochao Chen, Jun Zhou, Longfei Zheng, Huiwen Wu, Lingjuan Lyu, Jia Wu, Bingzhe Wu, Ziqi Liu, Li Wang, Xiaolin Zheng
Abstract要約: VFGNNは、垂直分割されたデータの下でのプライバシー保護ノード分類タスクの学習パラダイムである。プライベートなデータ関連の計算をデータホルダに残し、残りの計算を半正直なサーバに委譲します。 3つのベンチマークで実験を行い,VFGNNの有効性を実証した。
参考スコア（独自算出の注目度）: 39.53937689989282
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, Graph Neural Network (GNN) has achieved remarkable progresses in various real-world tasks on graph data, consisting of node features and the adjacent information between different nodes. High-performance GNN models always depend on both rich features and complete edge information in graph. However, such information could possibly be isolated by different data holders in practice, which is the so-called data isolation problem. To solve this problem, in this paper, we propose VFGNN, a federated GNN learning paradigm for privacy-preserving node classification task under data vertically partitioned setting, which can be generalized to existing GNN models. Specifically, we split the computation graph into two parts. We leave the private data (i.e., features, edges, and labels) related computations on data holders, and delegate the rest of computations to a semi-honest server. We also propose to apply differential privacy to prevent potential information leakage from the server. We conduct experiments on three benchmarks and the results demonstrate the effectiveness of VFGNN.
Abstract（参考訳）: 近年、グラフニューラルネットワーク(gnn)は、ノードの特徴と異なるノード間の隣接情報からなるグラフデータ上の様々な実世界のタスクにおいて著しい進歩を遂げている。高性能GNNモデルはグラフのリッチな特徴と完全なエッジ情報の両方に依存している。しかし、そのような情報は実際には異なるデータホルダーによって隔離される可能性があり、これはいわゆるデータ分離問題である。この問題を解決するために,本稿では,従来のGNNモデルに一般化可能なデータ分割設定下において,プライバシ保護ノード分類タスクのためのフェデレーション付きGNN学習パラダイムであるVFGNNを提案する。具体的には,計算グラフを2つに分割した。プライベートデータ(機能、エッジ、ラベル)に関連する計算をデータホルダーに残し、残りの計算を半正直なサーバに委譲する。また,サーバからの潜在的な情報漏洩を防止するために,差分プライバシーを適用することを提案する。 3つのベンチマークで実験を行い,VFGNNの有効性を実証した。

関連論文リスト

GNN-MultiFix: Addressing the pitfalls for GNNs for multi-label node classification [1.857645719601748]
グラフニューラルネットワーク(GNN)は、グラフデータの表現を学習するための強力なモデルとして登場した。我々は,最も表現力の高いGNNでさえ,ノード属性や明示的なラベル情報を入力として使用せずに学習できないことを示す。本稿では,ノードの機能,ラベル,位置情報を統合したGNN-MultiFixという簡単なアプローチを提案する。
論文参考訳（メタデータ） (2024-11-21T12:59:39Z)
Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文参考訳（メタデータ） (2024-05-27T17:52:12Z)
SplitGNN: Splitting GNN for Node Classification with Heterogeneous Attention [29.307331758493323]
グラフ計算のための分割学習型グラフニューラルネットワーク(SplitGNN)を提案する。我々のSplitGNNは、孤立した異種地区を協調的に利用できるようにする。 2つの標準公開データセットと実世界のデータセットのノード分類タスクにおけるSplitGNNの有効性を示す。
論文参考訳（メタデータ） (2023-01-27T12:08:44Z)
Hierarchical Model Selection for Graph Neural Netoworks [0.0]
本稿では,各グラフデータの指標を分析して,適切なグラフニューラルネットワーク(GNN)モデルを選択する階層モデル選択フレームワークを提案する。実験では,HMSFが選択したモデルにより,様々なグラフデータに対するノード分類の性能が向上することを示した。
論文参考訳（メタデータ） (2022-12-01T22:31:21Z)
A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T22:46:33Z)
Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文参考訳（メタデータ） (2022-03-19T14:26:43Z)
Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文参考訳（メタデータ） (2021-07-27T19:47:53Z)
A Vertical Federated Learning Framework for Graph Convolutional Network [12.684113617570643]
FedVGCNは、垂直分割されたデータの下でのプライバシー保護ノード分類タスクの学習パラダイムである。トレーニングプロセスのそれぞれについて、両者は同型暗号の下で中間結果を互いに転送する。ベンチマークデータを用いて実験を行い,グラフサージにおけるFedVGCNの有効性を実証した。
論文参考訳（メタデータ） (2021-06-22T07:57:46Z)
Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文参考訳（メタデータ） (2020-08-31T23:15:40Z)
Locally Private Graph Neural Networks [12.473486843211573]
ノードデータプライバシ(ノードデータプライバシ)の問題として,グラフノードが機密性の高いデータをプライベートに保持する可能性について検討する。我々は、正式なプライバシー保証を備えたプライバシー保護アーキテクチャに依存しないGNN学習アルゴリズムを開発した。実世界のデータセット上で行った実験は、我々の手法が低プライバシー損失で満足度の高い精度を維持することができることを示した。
論文参考訳（メタデータ） (2020-06-09T22:36:06Z)
Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文参考訳（メタデータ） (2020-03-08T13:02:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。