Fugu-MT 論文翻訳(概要): Privatized Graph Federated Learning

論文の概要: Privatized Graph Federated Learning

arxiv url: http://arxiv.org/abs/2203.07105v1
Date: Mon, 14 Mar 2022 13:48:23 GMT
ステータス: 処理完了
システム内更新日: 2022-03-15 17:12:13.991995
Title: Privatized Graph Federated Learning
Title（参考訳）: 民営化グラフフェデレーション学習
Authors: Elsa Rizk, Stefan Vlaski, Ali H. Sayed
Abstract要約: グラフによって連結された複数の単位からなるグラフフェデレーション学習を導入する。グラフ準同型摂動はアルゴリズムが微分プライベートであることを保証するためにどのように使用できるかを示す。
参考スコア（独自算出の注目度）: 57.14673504239551
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated learning is a semi-distributed algorithm, where a server communicates with multiple dispersed clients to learn a global model. The federated architecture is not robust and is sensitive to communication and computational overloads due to its one-master multi-client structure. It can also be subject to privacy attacks targeting personal information on the communication links. In this work, we introduce graph federated learning (GFL), which consists of multiple federated units connected by a graph. We then show how graph homomorphic perturbations can be used to ensure the algorithm is differentially private. We conduct both convergence and privacy theoretical analyses and illustrate performance by means of computer simulations.
Abstract（参考訳）: フェデレーション学習(federated learning)は、サーバが複数の分散クライアントと通信してグローバルモデルを学ぶ半分散アルゴリズムである。フェデレーションアーキテクチャは堅牢ではなく、通信や計算の過負荷に敏感である。また、通信リンク上の個人情報をターゲットとしたプライバシー攻撃を受けることもある。本稿では,グラフによって連結された複数の連合単位からなるグラフフェデレーション学習(GFL)を紹介する。次に、グラフ準同型摂動を用いてアルゴリズムが微分プライベートであることを保証する方法を示す。コンバージェンスとプライバシ理論の両方を解析し,計算機シミュレーションによる性能評価を行う。

関連論文リスト

Toward Personalized Federated Node Classification in One-shot Communication [27.325478113745206]
ノード分類のための一括パーソナライズされたフェデレーショングラフ学習法を提案する。提案手法は,サーバ上にグローバルな擬似グラフを構築するために,クラスワイズ特徴分布統計を推定し,集約する。提案手法は様々な設定において最先端のベースラインを著しく上回る。
論文参考訳（メタデータ） (2024-11-18T05:59:29Z)
Federated Graph Learning with Graphless Clients [52.5629887481768]
FGL(Federated Graph Learning)は、グラフニューラルネットワーク(GNN)などの機械学習モデルをトレーニングするタスクである。グラフレスクライアントを用いたFGLにおける問題に対処するための新しいフレームワークFedGLSを提案する。
論文参考訳（メタデータ） (2024-11-13T06:54:05Z)
Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文参考訳（メタデータ） (2023-05-22T13:48:30Z)
Lumos: Heterogeneity-aware Federated Graph Learning over Decentralized Devices [19.27111697495379]
グラフニューラルネットワーク(GNN)は、現実世界のネットワークアプリケーションやシステムに広くデプロイされている。本稿では,教師付き学習と教師なし学習をサポートするLumosという,初の連合型GNNフレームワークを提案する。クライアント毎に構築したツリーに基づいて,多目的学習を支援するために,分散型ツリーベースGNNトレーナーを提案する。
論文参考訳（メタデータ） (2023-03-01T13:27:06Z)
Federated Learning on Non-IID Graphs via Structural Knowledge Sharing [47.140441784462794]
フェデレーショングラフ学習(FGL)により、クライアントはプライベートデータを共有せずに、分散型で強力なGNNモデルをトレーニングできる。我々はFedStarというFGLフレームワークを提案し、グラフ間学習タスクの共通基盤構造情報を抽出し、共有する。クロスデータセットとクロスドメインのFGL設定の両方に対して広範な実験を行い、FedStarの優位性を実証した。
論文参考訳（メタデータ） (2022-11-23T15:12:16Z)
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)
An Expectation-Maximization Perspective on Federated Learning [75.67515842938299]
フェデレーション学習は、データをデバイス上でプライベートにしながら、複数のクライアントにわたるモデルの分散トレーニングを記述する。本稿では,サーバがクライアント固有のモデルパラメータに対して事前分布のパラメータを提供する階層的潜在変数モデルとして,サーバが設定したフェデレーション学習プロセスについて考察する。我々は,単純なガウス先行とよく知られた期待最大化(EM)アルゴリズムのハードバージョンを用いて,そのようなモデルの学習は,フェデレーション学習環境における最も一般的なアルゴリズムであるFedAvgに対応することを示す。
論文参考訳（メタデータ） (2021-11-19T12:58:59Z)
A Graph Federated Architecture with Privacy Preserving Learning [48.24121036612076]
フェデレーション学習は、複数のエージェントと連携してグローバルモデルを見つける中央プロセッサを含む。複数のクライアントに接続されたサーバの現在のアーキテクチャは、サーバの通信障害や計算過負荷に非常に敏感です。暗号と差分プライバシーの概念を使用して、グラフ構造に拡張するフェデレーション学習アルゴリズムを民営化します。
論文参考訳（メタデータ） (2021-04-26T09:51:24Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。