Fugu-MT 論文翻訳(概要): A Vertical Federated Learning Framework for Graph Convolutional Network

論文の概要: A Vertical Federated Learning Framework for Graph Convolutional Network

arxiv url: http://arxiv.org/abs/2106.11593v1
Date: Tue, 22 Jun 2021 07:57:46 GMT
ステータス: 処理完了
システム内更新日: 2021-06-23 21:59:28.834754
Title: A Vertical Federated Learning Framework for Graph Convolutional Network
Title（参考訳）: グラフ畳み込みネットワークのための垂直的フェデレーション学習フレームワーク
Authors: Xiang Ni, Xiaolong Xu, Lingjuan Lyu, Changhua Meng, Weiqiang Wang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.684113617570643
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Recently, Graph Neural Network (GNN) has achieved remarkable success in various real-world problems on graph data. However in most industries, data exists in the form of isolated islands and the data privacy and security is also an important issue. In this paper, we propose FedVGCN, a federated GCN learning paradigm for privacy-preserving node classification task under data vertically partitioned setting, which can be generalized to existing GCN models. Specifically, we split the computation graph data into two parts. For each iteration of the training process, the two parties transfer intermediate results to each other under homomorphic encryption. We conduct experiments on benchmark data and the results demonstrate the effectiveness of FedVGCN in the case of GraphSage.
Abstract（参考訳）: 近年,グラフニューラルネットワーク(GNN)は,グラフデータにおける実世界の様々な問題において顕著な成功を収めている。しかし、ほとんどの業界では、データは孤立した島として存在し、データのプライバシーとセキュリティもまた重要な問題である。本稿では,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GCN学習パラダイムであるFedVGCNを提案する。具体的には,計算グラフデータを2つの部分に分割する。トレーニングプロセスの各イテレーションにおいて、両者は同型暗号化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。

関連論文リスト

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)
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)
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)
FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs [22.649780281947837]
いくつかの実践的なシナリオでは、グラフデータは複数の分散パーティに別々に格納されます。上記の課題に対処するために,egoグラフに基づくフェデレーショングラフ学習フレームワークであるFedEgoを提案する。
論文参考訳（メタデータ） (2022-08-29T15:47:36Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
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)
Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-15T13:59:28Z)
Simple and Deep Graph Convolutional Networks [63.76221532439285]
グラフ畳み込みネットワーク(GCN)は、グラフ構造化データに対する強力なディープラーニングアプローチである。その成功にもかかわらず、現在のGCNモデルは、エムの過度に滑らかな問題のため、ほとんどが浅くなっている。本稿では,2つの単純かつ効果的な手法を用いて,バニラGCNモデルを拡張したGCNIIを提案する。
論文参考訳（メタデータ） (2020-07-04T16:18:06Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)
Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification [39.53937689989282]
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。
論文参考訳（メタデータ） (2020-05-25T03:12:18Z)
An Uncoupled Training Architecture for Large Graph Learning [20.784230322205232]
グラフデータをグリッドライクなデータに埋め込むための、柔軟なアンカップリングトレーニングフレームワークであるNode2Gridsを紹介します。各ノードの影響を次々にランク付けすることで、Node2Gridsは最も影響力のある1階と、中央ノードの融合情報を持つ2階の隣人を選択する。下流タスクの効率をさらに向上するために、単純なCNNベースのニューラルネットワークを使用して、マッピングされたグリッドのようなデータから重要な情報をキャプチャする。
論文参考訳（メタデータ） (2020-03-21T11:49:16Z)

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。