論文の概要: Privacy-preserving Graph Analytics: Secure Generation and Federated Learning

• arxiv url: http://arxiv.org/abs/2207.00048v1
• Date: Thu, 30 Jun 2022 18:26:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 14:57:46.637879
• Title: Privacy-preserving Graph Analytics: Secure Generation and Federated Learning
• Title（参考訳）: プライバシー保護グラフ分析:セキュアな生成と連合学習
• Authors: Dongqi Fu, Jingrui He, Hanghang Tong, Ross Maciejewski
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 72.90158604032194
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Directly motivated by security-related applications from the Homeland Security Enterprise, we focus on the privacy-preserving analysis of graph data, which provides the crucial capacity to represent rich attributes and relationships. In particular, we discuss two directions, namely privacy-preserving graph generation and federated graph learning, which can jointly enable the collaboration among multiple parties each possessing private graph data. For each direction, we identify both "quick wins" and "hard problems". Towards the end, we demonstrate a user interface that can facilitate model explanation, interpretation, and visualization. We believe that the techniques developed in these directions will significantly enhance the capabilities of the Homeland Security Enterprise to tackle and mitigate the various security risks.
• Abstract（参考訳）: 国土安全保障エンタープライズのセキュリティ関連のアプリケーションを直接動機付け、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ます。 特に,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。 各方向について、我々は"quick wins"と"hard problems"の両方を識別する。 最後に,モデルの説明,解釈,可視化を容易にするユーザインタフェースを実証する。 これらの方法で開発された技術は、様々なセキュリティリスクに対処し緩和する国土安全保障エンタープライズの能力を著しく向上させるだろうと考えています。

関連論文リスト

• Unveiling Privacy Vulnerabilities: Investigating the Role of Structure in Graph Data [17.11821761700748]
  本研究では,ネットワーク構造から生じるプライバシーリスクに対する理解と保護を推し進める。 我々は,ネットワーク構造によるプライバシー漏洩の可能性を評価するための重要なツールとして機能する,新しいグラフプライベート属性推論攻撃を開発した。 攻撃モデルはユーザのプライバシに重大な脅威を与え,グラフデータ公開手法は最適なプライバシとユーティリティのトレードオフを実現する。
  論文  参考訳（メタデータ） (2024-07-26T07:40:54Z)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Privacy-Preserving Graph Machine Learning from Data to Computation: A Survey [67.7834898542701]
  我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。 まずプライバシ保護グラフデータを生成する方法を検討する。 次に,プライバシ保護情報を送信する方法について述べる。
  論文  参考訳（メタデータ） (2023-07-10T04:30:23Z)
• Heterogeneous Graph Neural Network for Privacy-Preserving Recommendation [25.95411320126426]
  ソーシャルネットワークは、ディープラーニングの技術進歩を伴う異種グラフニューラルネットワーク(HGNN)であると考えられている。 本稿では,HeteDPと呼ばれる差分プライバシー機構に基づく,新しい異種グラフニューラルネットワークのプライバシ保存手法を提案する。
  論文  参考訳（メタデータ） (2022-10-02T14:41:02Z)
• A Survey of Trustworthy Graph Learning: Reliability, Explainability, and Privacy Protection [136.71290968343826]
  信頼できるグラフ学習(TwGL)は、技術的観点から上記の問題を解決することを目的としている。 モデル性能を主に重視する従来のグラフ学習研究とは対照的に、TwGLは様々な信頼性と安全性を考慮に入れている。
  論文  参考訳（メタデータ） (2022-05-20T08:10:35Z)
• Privacy-Preserving Representation Learning on Graphs: A Mutual Information Perspective [44.53121844947585]
  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。
  論文  参考訳（メタデータ） (2021-07-03T18:09:44Z)
• Information Obfuscation of Graph Neural Networks [96.8421624921384]
  本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。 本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-28T17:55:04Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。