論文の概要: Secure Evaluation of Knowledge Graph Merging Gain
- arxiv url: http://arxiv.org/abs/2103.00082v1
- Date: Fri, 26 Feb 2021 23:19:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:12:19.859838
- Title: Secure Evaluation of Knowledge Graph Merging Gain
- Title（参考訳）: 知識グラフマージゲインのセキュアな評価
- Authors: Leandro Eichenberger, Michael Cochez, Benjamin Heitmann, Stefan Decker
- Abstract要約: 本稿では,プロトコル中に非開示契約や第三者を必要とせず,両者の知識を比較する問題に対処する。
このプロトコルでは、2つの知識グラフの交わりはプライバシ保護方式で決定される。
このプロトコルは、ブラインドシグネチャと(カウント)ブルームフィルタを使用して、漏れた情報の量を減らします。
- 参考スコア（独自算出の注目度）: 0.2624902795082451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding out the differences and commonalities between the knowledge of two
parties is an important task. Such a comparison becomes necessary, when one
party wants to determine how much it is worth to acquire the knowledge of the
second party, or similarly when two parties try to determine, whether a
collaboration could be beneficial. When these two parties cannot trust each
other (for example, due to them being competitors) performing such a comparison
is challenging as neither of them would be willing to share any of their
assets. This paper addresses this problem for knowledge graphs, without a need
for non-disclosure agreements nor a third party during the protocol.
During the protocol, the intersection between the two knowledge graphs is
determined in a privacy preserving fashion. This is followed by the computation
of various metrics, which give an indication of the potential gain from
obtaining the other parties knowledge graph, while still keeping the actual
knowledge graph contents secret. The protocol makes use of blind signatures and
(counting) Bloom filters to reduce the amount of leaked information. Finally,
the party who wants to obtain the other's knowledge graph can get a part of
such in a way that neither party is able to know beforehand which parts of the
graph are obtained (i.e., they cannot choose to only get or share the good
parts). After inspection of the quality of this part, the Buyer can decide to
proceed with the transaction.
The analysis of the protocol indicates that the developed protocol is secure
against malicious participants. Further experimental analysis shows that the
resource consumption scales linear with the number of statements in the
knowledge graph.
- Abstract（参考訳）: 両者の知識の違いと共通点を見つけることは重要な課題である。
このような比較は、一方の当事者が第二の当事者の知識を獲得する価値があるかを決定したい場合、または同様に2の当事者が決定しようとする場合、コラボレーションが有益であるかどうかを決定する場合、必要です。
これら2つの当事者がお互いを信頼できない場合(例えば、競争相手であることから)、どちらの当事者も彼らの資産を共有しようとしないため、そのような比較を行うのは難しい。
本稿では,非開示契約やプロトコル中の第三者を必要とせず,知識グラフのこの問題に対処する。
このプロトコルでは、2つの知識グラフの交わりはプライバシ保護方式で決定される。
これは、実際の知識グラフ内容を秘密にしながら、他の当事者の知識グラフを取得することによる潜在的な利益を示すさまざまなメトリクスの計算が続きます。
このプロトコルは、ブラインドシグネチャと(カウント)ブルームフィルタを使用して、漏れた情報の量を減らします。
最後に、相手の知識グラフを得たい相手は、そのグラフのどの部分が得られているかを事前に知ることができない(つまり、良い部分のみを得るか、共有するかを選択できない)方法で、その一部を取得することができる。
この部分の品質を検査した後、買い手は取引を進めることを決定できる。
プロトコルの分析は、開発したプロトコルが悪意のある参加者に対して安全であることを示している。
さらなる実験的分析により、資源消費はナレッジグラフの文数と線形にスケールすることを示した。
関連論文リスト
- Learnability Gaps of Strategic Classification [68.726857356532]
我々は,戦略的分類と標準学習の間にある学習可能性のギャップという,根本的な問題に対処することに注力する。
ほぼ厳密なサンプルの複雑さと後悔の限界を提供し、以前の結果よりも大幅に改善します。
この設定における我々のアルゴリズムは、独立して興味を持ち、マルチラベル学習のような他の問題にも適用できる。
論文 参考訳（メタデータ） (2024-02-29T16:09:19Z) - Crypto'Graph: Leveraging Privacy-Preserving Distributed Link Prediction
for Robust Graph Learning [2.048226951354646]
Crypto'Graphは、分散グラフ上のプライバシ保護リンク予測のための効率的なプロトコルである。
グラフ中毒攻撃に対する防御のために図示されており、個々のパーティのグラフのプライバシーを損なうことなく、潜在的に敵対的なリンクを特定することができる。
論文 参考訳（メタデータ） (2023-09-19T19:30:28Z) - A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and
Future Directions [64.84521350148513]
グラフは、現実世界の無数に存在する相互接続構造を表す。
グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。
しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。
これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
論文 参考訳（メタデータ） (2023-08-26T09:11:44Z) - Privacy-preserving Graph Analytics: Secure Generation and Federated
Learning [72.90158604032194]
我々は、リッチな属性と関係を表現する重要な能力を提供するグラフデータのプライバシー保護分析に焦点を当てる。
本稿では,プライバシ保護グラフ生成とフェデレーショングラフ学習という2つの方向性について論じる。
論文 参考訳（メタデータ） (2022-06-30T18:26:57Z) - CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph
Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。
我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。
我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文 参考訳（メタデータ） (2022-05-30T13:20:26Z) - Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF)
我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。
我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文 参考訳（メタデータ） (2022-05-28T15:37:03Z) - Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based
Reasoning [15.703028753526022]
我々は、知識グラフの埋め込みにおけるデータ駆動力と、専門家や包摂体制から生じるドメイン固有の推論(OWL2)とを緩やかに結合することを提案する。
最初の結果から,バニラ知識グラフ埋め込みのMRR精度を最大3倍に向上し,知識グラフ埋め込みとルールマイニング,最大3.5倍MRRの推論を組み合わせたハイブリッドソリューションより優れていた。
論文 参考訳（メタデータ） (2022-02-07T14:01:49Z) - An Accurate, Scalable and Verifiable Protocol for Federated
Differentially Private Averaging [0.0]
我々は、参加者に提供されるプライバシー保証と、悪意ある当事者の存在下での計算の正しさに関する課題に取り組む。
最初のコントリビューションはスケーラブルなプロトコルで、参加者はネットワークグラフのエッジに沿って関連するガウスノイズを交換する。
第2のコントリビューションでは,プロトコルの効率性とプライバシ保証を損なうことなく,計算の正確性を証明することができる。
論文 参考訳（メタデータ） (2020-06-12T14:21:10Z) - Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。
エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。
その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2020-02-17T03:33:41Z)
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。