論文の概要: Privacy-Preserving Representation Learning on Graphs: A Mutual Information Perspective

• arxiv url: http://arxiv.org/abs/2107.01475v1
• Date: Sat, 3 Jul 2021 18:09:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 14:45:09.537613
• Title: Privacy-Preserving Representation Learning on Graphs: A Mutual Information Perspective
• Title（参考訳）: グラフによるプライバシ保護表現学習:相互情報の観点から
• Authors: Binghui Wang, Jiayi Guo, Ang Li, Yiran Chen, Hai Li
• Abstract要約: グラフ上の既存の表現学習手法は、深刻な個人情報を漏洩させる可能性がある。 本稿では,空間情報の観点から,グラフ上のプライバシ保護表現学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.53121844947585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning with graphs has attracted significant attention recently. Existing representation learning methods on graphs have achieved state-of-the-art performance on various graph-related tasks such as node classification, link prediction, etc. However, we observe that these methods could leak serious private information. For instance, one can accurately infer the links (or node identity) in a graph from a node classifier (or link predictor) trained on the learnt node representations by existing methods. To address the issue, we propose a privacy-preserving representation learning framework on graphs from the \emph{mutual information} perspective. Specifically, our framework includes a primary learning task and a privacy protection task, and we consider node classification and link prediction as the two tasks of interest. Our goal is to learn node representations such that they can be used to achieve high performance for the primary learning task, while obtaining performance for the privacy protection task close to random guessing. We formally formulate our goal via mutual information objectives. However, it is intractable to compute mutual information in practice. Then, we derive tractable variational bounds for the mutual information terms, where each bound can be parameterized via a neural network. Next, we train these parameterized neural networks to approximate the true mutual information and learn privacy-preserving node representations. We finally evaluate our framework on various graph datasets.
• Abstract（参考訳）: グラフによる学習は、最近大きな注目を集めている。 既存のグラフ表現学習手法は,ノード分類やリンク予測など,さまざまなグラフ関連タスクにおいて,最先端のパフォーマンスを実現している。 しかし,これらの手法は重大な個人情報を漏洩させる可能性がある。 例えば、既存の方法で学習ノード表現に基づいて訓練されたノード分類器(リンク予測器)からグラフ内のリンク(またはノードID)を正確に推測することができる。 この問題に対処するため,我々は,グラフ上のプライバシー保護表現学習フレームワークを, \emph{mutual information} の観点から提案する。 具体的には,プライマリ・ラーニング・タスクとプライバシ保護タスクを含み,ノード分類とリンク予測を関心のある2つのタスクとして検討する。 私たちの目標は、ランダムな推測に近いプライバシ保護タスクのパフォーマンスを取得しながら、プライマリな学習タスクのハイパフォーマンスを達成するために使用できるノード表現を学習することにあります。 我々は、相互情報目的を通じて目標を定式化する。 しかし、実際には相互情報を計算することは困難である。 そして、ニューラルネットワークを介して各境界をパラメータ化できるような、相互情報項のトラクタブルな変動境界を導出する。 次に、これらのパラメータ化されたニューラルネットワークをトレーニングし、真の相互情報を近似し、プライバシー保護ノード表現を学ぶ。 最後に、さまざまなグラフデータセットでフレームワークを評価します。

関連論文リスト

• Free Lunch for Privacy Preserving Distributed Graph Learning [1.8292714902548342]
  分散グラフ学習とグラフベース機械学習のための新しいプライバシ参照フレームワークを提案する。 本フレームワークは,生データの本来の構造特性を保ちながら,実際の特徴を必要とせずに,特徴と距離を学習することを目的としている。
  論文  参考訳（メタデータ） (2023-05-18T10:41:21Z)
• Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
  本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。 再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。 グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
  論文  参考訳（メタデータ） (2022-10-21T04:38:25Z)
• Node Representation Learning in Graph via Node-to-Neighbourhood Mutual Information Maximization [27.701736055800314]
  グラフにおける情報ノード表現の学習の鍵は、近隣からコンテキスト情報を得る方法にある。 本稿では,ノードの隠蔽表現と周辺領域の相互情報を直接的に最大化することで,自己教師付きノード表現学習戦略を提案する。 我々のフレームワークは、表現学習の質と効率を裏付ける正の選択が相反する比較的損失によって最適化されている。
  論文  参考訳（メタデータ） (2022-03-23T08:21:10Z)
• 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)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• 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)
• Edge-Featured Graph Attention Network [7.0629162428807115]
  エッジ機能付きグラフアテンションネットワーク(EGAT)を提案し、グラフニューラルネットワークの利用をノードとエッジの両方の特徴を持つグラフ上で学習するタスクに拡張する。 モデル構造と学習プロセスを改革することにより、新しいモデルはノードとエッジの機能を入力として受け入れ、エッジ情報を機能表現に組み込むことができ、ノードとエッジの機能を並列かつ相互に反復することができる。
  論文  参考訳（メタデータ） (2021-01-19T15:08:12Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• 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)

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。