論文の概要: Privacy-Preserving Decentralized Inference with Graph Neural Networks in Wireless Networks

• arxiv url: http://arxiv.org/abs/2208.06963v2
• Date: Tue, 30 May 2023 03:13:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 02:44:49.523777
• Title: Privacy-Preserving Decentralized Inference with Graph Neural Networks in Wireless Networks
• Title（参考訳）: 無線ネットワークにおけるグラフニューラルネットワークを用いたプライバシ保護分散推論
• Authors: Mengyuan Lee, Guanding Yu, and Huaiyu Dai
• Abstract要約: 無線ネットワークにおけるグラフニューラルネットワークによる分散推論のプライバシの解析と強化を行う。 具体的には、ローカルな差分プライバシーを指標として採用し、新しいプライバシー保護シグナルを設計する。 また、このオーバー・ザ・エア技術を採用し、プライバシー保護の利点を理論的に実証する。
• 参考スコア（独自算出の注目度）: 39.99126905067949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As an efficient neural network model for graph data, graph neural networks (GNNs) recently find successful applications for various wireless optimization problems. Given that the inference stage of GNNs can be naturally implemented in a decentralized manner, GNN is a potential enabler for decentralized control/management in the next-generation wireless communications. Privacy leakage, however, may occur due to the information exchanges among neighbors during decentralized inference with GNNs. To deal with this issue, in this paper, we analyze and enhance the privacy of decentralized inference with GNNs in wireless networks. Specifically, we adopt local differential privacy as the metric, and design novel privacy-preserving signals as well as privacy-guaranteed training algorithms to achieve privacy-preserving inference. We also define the SNR-privacy trade-off function to analyze the performance upper bound of decentralized inference with GNNs in wireless networks. To further enhance the communication and computation efficiency, we adopt the over-the-air computation technique and theoretically demonstrate its advantage in privacy preservation. Through extensive simulations on the synthetic graph data, we validate our theoretical analysis, verify the effectiveness of proposed privacy-preserving wireless signaling and privacy-guaranteed training algorithm, and offer some guidance on practical implementation.
• Abstract（参考訳）: グラフデータのための効率的なニューラルネットワークモデルとして、グラフニューラルネットワーク(gnns)は最近、様々なワイヤレス最適化問題に成功している。 gnnの推論段階が自然に分散的に実装できることを考えると、gnnは次世代無線通信における分散制御/管理を可能にする可能性がある。 しかし、プライバシーの漏洩は、GNNとの分散推論中に隣人の情報交換によって起こる可能性がある。 この問題に対処するため,本稿では,無線ネットワークにおけるGNNによる分散推論のプライバシの分析と強化を行う。 具体的には,ローカルディファレンシャルプライバシを指標として採用し,新たなプライバシ保存信号の設計と,プライバシ保存推論を実現するためのプライバシグアラントトレーニングアルゴリズムを提案する。 また、無線ネットワークにおけるGNNによる分散推論の性能上限を解析するために、SNRプライバシトレードオフ関数を定義する。 通信と計算の効率をさらに高めるため,オーバー・ザ・エア計算手法を採用し,理論的にプライバシー保護の利点を実証する。 合成グラフデータに対する広範囲なシミュレーションを行い,理論解析を検証し,提案するプライバシ保存型無線シグナリングとプライバシガランテ型トレーニングアルゴリズムの有効性を検証し,実用的な実装に関するガイダンスを提供する。

関連論文リスト

• Graph Neural Network-Based Bandwidth Allocation for Secure Wireless Communications [46.342827102556896]
  本稿では,最小機密率制約を満たすユーザをスケジュールするユーザスケジューリングアルゴリズムを提案する。 我々は、反復探索(IvS)、GNNベースの教師付き学習(GNN-SL)、GNNベースの教師なし学習(GNN-USL)の3つのアルゴリズムを用いて帯域幅割り当てを最適化する。
  論文  参考訳（メタデータ） (2023-12-13T09:34:16Z)
• Blink: Link Local Differential Privacy in Graph Neural Networks via Bayesian Estimation [79.64626707978418]
  分散ノード上でのリンクローカル差分プライバシーを用いてグラフニューラルネットワークをトレーニングする。 当社のアプローチでは、グラフトポロジをより悪用するために、グラフのリンクと学位を別々に、プライバシ予算に費やしています。 当社のアプローチは、様々なプライバシー予算の下での精度において、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-06T17:53:31Z)
• A Survey on Privacy in Graph Neural Networks: Attacks, Preservation, and Applications [76.88662943995641]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを扱う能力のため、大きな注目を集めている。 この問題に対処するため、研究者らはプライバシー保護のGNNの開発を開始した。 この進歩にもかかわらず、攻撃の包括的概要と、グラフドメインのプライバシを保存するためのテクニックが欠如している。
  論文  参考訳（メタデータ） (2023-08-31T00:31:08Z)
• Differentially Private Graph Neural Network with Importance-Grained Noise Adaption [6.319864669924721]
  ノードが個人や機密情報を表現している場合、グラフプライバシを保護するために、差分プライバシを持つグラフニューラルネットワーク(GNN)が提案されている。 ノードがプライベートにしておく必要があるが、GNNのトレーニングには不可欠である個人データを含む、重要度の高いプライバシの問題について検討する。 NAP-GNNはノード情報を保護するための適応差分プライバシーに基づくプライバシー保証付きノード単位のプライバシ保存GNNアルゴリズムである。
  論文  参考訳（メタデータ） (2023-08-09T13:18:41Z)
• Federated Graph Learning for Low Probability of Detection in Wireless Ad-Hoc Networks [36.82926581689718]
  無線ネットワークのプライバシーとセキュリティを高める手段として,LPD (low probability of detection) が最近登場した。 本稿では,グラフニューラルネットワークに基づくプライバシ保護分散フレームワークについて検討し,無線アドホックネットワーク全体の検出性を最小化する。
  論文  参考訳（メタデータ） (2023-06-01T20:56:02Z)
• Heterogeneous Randomized Response for Differential Privacy in Graph Neural Networks [18.4005860362025]
  グラフニューラルネットワーク(GNN)は、プライバシ推論攻撃(PIA)の影響を受けやすい 差分プライバシ(DP)保証の下で,ノードの特徴やエッジをPIAに対して保護する機構を提案する。 ノードの特徴とエッジの両レベルで、より優れたランダム化確率とより厳密なエラー境界を導出する。
  論文  参考訳（メタデータ） (2022-11-10T18:52:46Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Decentralized Inference with Graph Neural Networks in Wireless Communication Systems [37.95584442614985]
  グラフニューラルネットワーク(GNN)は、グラフデータのための効率的なニューラルネットワークモデルであり、無線通信を含むさまざまな分野で広く利用されている。 本稿では,異なる無線通信システムにおける分散GNNのロバスト性を解析し,強化する。
  論文  参考訳（メタデータ） (2021-04-19T03:12:24Z)
• CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
  総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。 CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
  論文  参考訳（メタデータ） (2020-02-03T14:49:18Z)

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。