論文の概要: Federated Graph Machine Learning: A Survey of Concepts, Techniques, and
Applications
- arxiv url: http://arxiv.org/abs/2207.11812v1
- Date: Sun, 24 Jul 2022 20:46:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 15:19:24.656114
- Title: Federated Graph Machine Learning: A Survey of Concepts, Techniques, and
Applications
- Title(参考訳): Federated Graph Machine Learning: 概念,テクニック,応用に関する調査
- Authors: Xingbo Fu, Binchi Zhang, Yushun Dong, Chen Chen, Jundong Li
- Abstract要約: Federated Graph Machine Learning (FGML)は、この課題に取り組むための有望なソリューションである。
FGMLにおける文献の総合的なレビューを行う。
異なるドメインからのFGMLの実際の応用を要約する。
- 参考スコア(独自算出の注目度): 26.13397777812025
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph machine learning has gained great attention in both academia and
industry recently. Most of the graph machine learning models, such as Graph
Neural Networks (GNNs), are trained over massive graph data. However, in many
real-world scenarios, such as hospitalization prediction in healthcare systems,
the graph data is usually stored at multiple data owners and cannot be directly
accessed by any other parties due to privacy concerns and regulation
restrictions. Federated Graph Machine Learning (FGML) is a promising solution
to tackle this challenge by training graph machine learning models in a
federated manner. In this survey, we conduct a comprehensive review of the
literature in FGML. Specifically, we first provide a new taxonomy to divide the
existing problems in FGML into two settings, namely, \emph{FL with structured
data} and \emph{structured FL}. Then, we review the mainstream techniques in
each setting and elaborate on how they address the challenges under FGML. In
addition, we summarize the real-world applications of FGML from different
domains and introduce open graph datasets and platforms adopted in FGML.
Finally, we present several limitations in the existing studies with promising
research directions in this field.
- Abstract(参考訳): グラフ機械学習は最近、学術と産業の両方で大きな注目を集めている。
グラフニューラルネットワーク(GNN)など、ほとんどのグラフ機械学習モデルは、巨大なグラフデータを使ってトレーニングされている。
しかし、医療システムにおける入院予測のような現実のシナリオでは、グラフデータは複数のデータ所有者に格納され、プライバシー上の懸念や規制上の制約のため、他のどの当事者からも直接アクセスできない。
Federated Graph Machine Learning(FGML)は、グラフ機械学習モデルをフェデレートされた方法でトレーニングすることで、この問題に取り組むための有望なソリューションである。
本調査では,FGMLにおける文献の総合的なレビューを行う。
具体的には、まずFGMLの既存の問題を、構造化データ付きemph{FLとemph{structured FL}の2つの設定に分割する新しい分類法を提案する。
次に、各設定における主流技術についてレビューし、FGMLの課題に対する対処方法について詳しく述べる。
さらに、異なるドメインからのFGMLの実際の応用を要約し、FGMLで採用されているオープングラフデータセットとプラットフォームを紹介する。
最後に,本分野での有望な研究方向性を持つ既存研究にいくつかの制限を課す。
関連論文リスト
- How Do Large Language Models Understand Graph Patterns? A Benchmark for Graph Pattern Comprehension [53.6373473053431]
この研究は、グラフパターンタスクにおける大規模言語モデルの能力を評価するためのベンチマークを導入する。
我々は,LLMが用語的記述と位相的記述の両方に基づいて,グラフパターンを理解できるかどうかを評価するベンチマークを開発した。
私たちのベンチマークでは、合成データセットと実際のデータセットの両方と、11のタスクと7のモデルで構成されています。
論文 参考訳(メタデータ) (2024-10-04T04:48:33Z) - Graph Retrieval-Augmented Generation: A Survey [28.979898837538958]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の課題に再トレーニングを必要とせずに対処することに成功した。
本稿では,GraphRAGの方法論について概観する。
Graph-Based Indexing、Graph-Guided Retrieval、Graph-Enhanced Generationを含むGraphRAGワークフローを形式化する。
論文 参考訳(メタデータ) (2024-08-15T12:20:24Z) - A Survey of Large Language Models for Graphs [21.54279919476072]
我々は、グラフ学習に適用された最新の最先端の大規模言語モデルについて、詳細なレビューを行う。
フレームワーク設計に基づいて既存の手法を分類する新しい分類法を提案する。
各フレームワークの長所と短所について検討し,今後の研究への可能性を強調する。
論文 参考訳(メタデータ) (2024-05-10T18:05:37Z) - A Survey of Data-Efficient Graph Learning [16.053913182723143]
研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。
我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
論文 参考訳(メタデータ) (2024-02-01T09:28:48Z) - Learning Mean Field Games on Sparse Graphs: A Hybrid Graphex Approach [31.82185019324094]
平均フィールドゲーム(MFG)は、エージェント間のネットワーク構造を含むように、Graphon MFG(GMFG)に拡張することができる。
本稿では,グラフ理論のグラフ理論的概念を基盤としたグラフ MFG の新たな概念を紹介する。
このハイブリッドグラフ学習アプローチは、システムが主に高連結コアとスパース周辺で構成されていることを生かしている。
論文 参考訳(メタデータ) (2024-01-23T11:52:00Z) - Integrating Graphs with Large Language Models: Methods and Prospects [68.37584693537555]
大規模言語モデル (LLMs) が最前線として登場し、様々なアプリケーションにおいて非並列の長所を示している。
LLMとグラフ構造化データを組み合わせることは、非常に興味深いトピックです。
本稿では、そのような統合を2つの主要なカテゴリに分岐する。
論文 参考訳(メタデータ) (2023-10-09T07:59:34Z) - Towards Data-centric Graph Machine Learning: Review and Outlook [120.64417630324378]
データ中心グラフ機械学習(DC-GML)という,グラフデータライフサイクルのすべての段階を包含する体系的なフレームワークを導入する。
各段階の完全な分類法が示され、3つの重要なグラフ中心の質問に答える。
我々は、DC-GMLドメインの将来展望を指摘し、その進歩と応用をナビゲートするための洞察を提供する。
論文 参考訳(メタデータ) (2023-09-20T00:40:13Z) - Curriculum Graph Machine Learning: A Survey [51.89783017927647]
カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。
本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
論文 参考訳(メタデータ) (2023-02-06T16:59:25Z) - Few-Shot Learning on Graphs: A Survey [92.47605211946149]
グラフ表現学習は多くの実世界のアプリケーションで顕著な性能を持つため、大きな注目を集めている。
特定のタスクに対する半教師付きグラフ表現学習モデルは、しばしばラベル空間の問題に悩まされる。
限定的なアノテートデータ問題に直面するパフォーマンス劣化に対処するために,FSLG (Few-shot Learning on graphs) が提案されている。
論文 参考訳(メタデータ) (2022-03-17T13:21:11Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳(メタデータ) (2022-02-16T18:30:33Z) - GraphFL: A Federated Learning Framework for Semi-Supervised Node
Classification on Graphs [48.13100386338979]
グラフ上の半教師付きノード分類のための最初のFLフレームワークであるGraphFLを提案する。
本稿では,グラフデータの非IID問題に対処する2つのGraphFL法を提案し,そのタスクを新しいラベルドメインで処理する。
代表グラフニューラルネットワークをGraphSSC法として採用し,複数のグラフデータセット上でGraphFLを評価する。
論文 参考訳(メタデータ) (2020-12-08T03:13:29Z)
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。