論文の概要: GraphFL: A Federated Learning Framework for Semi-Supervised Node
Classification on Graphs
- arxiv url: http://arxiv.org/abs/2012.04187v1
- Date: Tue, 8 Dec 2020 03:13:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:46:07.081951
- Title: GraphFL: A Federated Learning Framework for Semi-Supervised Node
Classification on Graphs
- Title(参考訳): GraphFL: グラフ上の半スーパービジョンノード分類のためのフェデレートラーニングフレームワーク
- Authors: Binghui Wang, Ang Li, Hai Li, Yiran Chen
- Abstract要約: グラフ上の半教師付きノード分類のための最初のFLフレームワークであるGraphFLを提案する。
本稿では,グラフデータの非IID問題に対処する2つのGraphFL法を提案し,そのタスクを新しいラベルドメインで処理する。
代表グラフニューラルネットワークをGraphSSC法として採用し,複数のグラフデータセット上でGraphFLを評価する。
- 参考スコア(独自算出の注目度): 48.13100386338979
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-based semi-supervised node classification (GraphSSC) has wide
applications, ranging from networking and security to data mining and machine
learning, etc. However, existing centralized GraphSSC methods are impractical
to solve many real-world graph-based problems, as collecting the entire graph
and labeling a reasonable number of labels is time-consuming and costly, and
data privacy may be also violated. Federated learning (FL) is an emerging
learning paradigm that enables collaborative learning among multiple clients,
which can mitigate the issue of label scarcity and protect data privacy as
well. Therefore, performing GraphSSC under the FL setting is a promising
solution to solve real-world graph-based problems. However, existing FL methods
1) perform poorly when data across clients are non-IID, 2) cannot handle data
with new label domains, and 3) cannot leverage unlabeled data, while all these
issues naturally happen in real-world graph-based problems. To address the
above issues, we propose the first FL framework, namely GraphFL, for
semi-supervised node classification on graphs. Our framework is motivated by
meta-learning methods. Specifically, we propose two GraphFL methods to
respectively address the non-IID issue in graph data and handle the tasks with
new label domains. Furthermore, we design a self-training method to leverage
unlabeled graph data. We adopt representative graph neural networks as GraphSSC
methods and evaluate GraphFL on multiple graph datasets. Experimental results
demonstrate that GraphFL significantly outperforms the compared FL baseline and
GraphFL with self-training can obtain better performance.
- Abstract(参考訳): グラフベースの半教師付きノード分類(GraphSSC)には、ネットワークやセキュリティ、データマイニング、マシンラーニングなど、幅広いアプリケーションがある。
しかし、グラフ全体を収集し、適切な数のラベルをラベル付けすることは時間と費用がかかり、データのプライバシも侵害されるため、既存の集中型GraphSSCメソッドは現実的な多くのグラフベースの問題を解決するには実用的ではない。
フェデレーション学習(federated learning, fl)は、複数のクライアント間の協調学習を可能にする、新たな学習パラダイムである。
したがって、FL設定下でGraphSSCを実行することは、現実のグラフベースの問題を解決するための有望な解決策である。
しかし、既存のFLメソッドは、クライアント間でデータがIIDではない場合、2)新しいラベルドメインでデータを処理できない場合、3)ラベルのないデータを利用できない場合、そして、これらの問題は、実世界のグラフベースの問題で自然に発生する。
上記の問題に対処するために、グラフ上の半教師付きノード分類のための最初のFLフレームワーク、すなわちGraphFLを提案する。
我々のフレームワークはメタ学習によって動機付けられている。
具体的には、グラフデータの非IID問題にそれぞれ対処し、新しいラベルドメインでタスクを処理するための2つのGraphFL手法を提案する。
さらに,ラベルのないグラフデータを活用する自己学習手法を設計する。
代表グラフニューラルネットワークをGraphSSC法として採用し,複数のグラフデータセット上でGraphFLを評価する。
実験の結果,GraphFLは比較したFLベースラインよりも有意に優れており,GraphFLは自己学習により性能が向上することが示された。
関連論文リスト
- OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。
主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。
この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文 参考訳(メタデータ) (2024-03-02T08:05:03Z) - GraphGPT: Graph Instruction Tuning for Large Language Models [27.036935149004726]
グラフニューラルネットワーク(GNN)は、グラフ構造を理解するために進化してきた。
堅牢性を高めるために、自己教師付き学習(SSL)はデータ拡張の重要なツールとなっている。
本研究は,ゼロショット学習環境におけるグラフモデルの一般化を推し進めることによって,この問題に対処する。
論文 参考訳(メタデータ) (2023-10-19T06:17:46Z) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳(メタデータ) (2023-05-29T04:51:09Z) - Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。
提案手法は,複数のMOTデータセット上での最先端性能を実現する。
画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文 参考訳(メタデータ) (2023-03-27T17:39:00Z) - Federated Learning over Coupled Graphs [39.86903030911785]
主にユークリッドデータのために、データ分離問題を解決するためにフェデレートラーニング(FL)が提案されている。
本稿では,分散グラフデータの一種である結合グラフを効率的に扱うために,グラフデータのための新しいFLフレームワークであるFedCogを提案する。
論文 参考訳(メタデータ) (2023-01-26T13:43:26Z) - Contrastive Graph Few-Shot Learning [67.01464711379187]
グラフマイニングタスクのためのコントラストグラフFew-shot Learningフレームワーク(CGFL)を提案する。
CGFLは、データ表現を自己管理的に学習し、分散シフトの影響を緩和し、より良い一般化を行う。
総合的な実験により、CGFLはいくつかのグラフマイニングタスクにおいて最先端のベースラインより優れていることが示された。
論文 参考訳(メタデータ) (2022-09-30T20:40:23Z) - Bringing Your Own View: Graph Contrastive Learning without Prefabricated
Data Augmentations [94.41860307845812]
Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。
GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。
グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。
我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
論文 参考訳(メタデータ) (2022-01-04T15:49:18Z) - FedGraph: Federated Graph Learning with Intelligent Sampling [7.798227884125872]
フェデレーション学習は、分散機械学習におけるプライバシー保護のために、多くの研究の注目を集めている。
既存のフェデレーション学習の作業は主に畳み込みニューラルネットワーク(CNN)に焦点を当てており、多くのアプリケーションで人気のあるグラフデータを効率的に扱えない。
本稿では,複数のコンピュータクライアント間でのフェデレーショングラフ学習のためのFedGraphを提案する。
論文 参考訳(メタデータ) (2021-11-02T04:58:03Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳(メタデータ) (2021-03-30T08:58:45Z) - Sub-graph Contrast for Scalable Self-Supervised Graph Representation
Learning [21.0019144298605]
既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。
textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。
既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
論文 参考訳(メタデータ) (2020-09-22T01:58:19Z)
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。