論文の概要: FedEgo: Privacy-preserving Personalized Federated Graph Learning with
Ego-graphs
- arxiv url: http://arxiv.org/abs/2208.13685v1
- Date: Mon, 29 Aug 2022 15:47:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:47:50.199973
- Title: FedEgo: Privacy-preserving Personalized Federated Graph Learning with
Ego-graphs
- Title（参考訳）: FedEgo: Egoグラフによる個人化グラフ学習のプライバシ保護
- Authors: Taolin Zhang, Chuan Chen, Yaomin Chang, Lin Shu, and Zibin Zheng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.649780281947837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As special information carriers containing both structure and feature
information, graphs are widely used in graph mining, e.g., Graph Neural
Networks (GNNs). However, in some practical scenarios, graph data are stored
separately in multiple distributed parties, which may not be directly shared
due to conflicts of interest. Hence, federated graph neural networks are
proposed to address such data silo problems while preserving the privacy of
each party (or client). Nevertheless, different graph data distributions among
various parties, which is known as the statistical heterogeneity, may degrade
the performance of naive federated learning algorithms like FedAvg. In this
paper, we propose FedEgo, a federated graph learning framework based on
ego-graphs to tackle the challenges above, where each client will train their
local models while also contributing to the training of a global model. FedEgo
applies GraphSAGE over ego-graphs to make full use of the structure information
and utilizes Mixup for privacy concerns. To deal with the statistical
heterogeneity, we integrate personalization into learning and propose an
adaptive mixing coefficient strategy that enables clients to achieve their
optimal personalization. Extensive experimental results and in-depth analysis
demonstrate the effectiveness of FedEgo.
- Abstract（参考訳）: 構造情報と特徴情報の両方を含む特殊情報キャリアとして、グラフマイニング、例えばグラフニューラルネットワーク(gnn)で広く使われている。
しかし、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る。
したがって、連合グラフニューラルネットワークは、各パーティ(またはクライアント)のプライバシを保ちながら、そのようなデータサイロ問題に対処するために提案される。
それにもかかわらず、統計的不均一性として知られる様々な当事者間の異なるグラフデータ分布は、fedavgのような単純なフェデレーション学習アルゴリズムの性能を低下させる可能性がある。
本稿では,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を提案し,各クライアントがローカルモデルをトレーニングし,グローバルモデルのトレーニングにも貢献する。
FedEgoは、EgoグラフにGraphSAGEを適用して構造情報をフル活用し、Mixupをプライバシー上の問題に利用する。
統計的不均一性に対処するために,パーソナライゼーションを学習に統合し,クライアントが最適なパーソナライゼーションを実現するための適応的混合係数戦略を提案する。
大規模な実験結果と深部分析により, FedEgoの有効性が示された。
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) - Federated Hypergraph Learning: Hyperedge Completion with Local Differential Privacy [6.295242666794106]
FedHGLは、複数のクライアントにわたる包括的なハイパーグラフニューラルネットワークを協調的にトレーニングするように設計されている。
クロスクライアント機能アグリゲーションは中央サーバで実行され、クライアントがこの情報を活用できるように配布される。
論文 参考訳（メタデータ） (2024-08-09T16:31:41Z) - Privacy-preserving design of graph neural networks with applications to
vertical federated learning [56.74455367682945]
VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。
VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2023-10-31T15:34:59Z) - 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) - Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit
Diversity Modeling [60.0185734837814]
グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。
GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。
本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
論文 参考訳（メタデータ） (2023-04-06T01:09:36Z) - Federated Learning over Coupled Graphs [39.86903030911785]
主にユークリッドデータのために、データ分離問題を解決するためにフェデレートラーニング(FL)が提案されている。
本稿では,分散グラフデータの一種である結合グラフを効率的に扱うために,グラフデータのための新しいFLフレームワークであるFedCogを提案する。
論文 参考訳（メタデータ） (2023-01-26T13:43:26Z) - Graph Learning Across Data Silos [12.343382413705394]
本稿では,スムーズなグラフ信号からグラフトポロジを推定する問題を考える。
データは分散クライアントにあり、プライバシー上の懸念などの要因により、ローカルクライアントを去ることは禁じられている。
本稿では,各ローカルクライアントに対してパーソナライズされたグラフと,全クライアントに対して単一のコンセンサスグラフを共同で学習する,自動重み付き多重グラフ学習モデルを提案する。
論文 参考訳（メタデータ） (2023-01-17T02:14:57Z) - Privatized Graph Federated Learning [57.14673504239551]
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。
論文 参考訳（メタデータ） (2022-03-14T13:48:23Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳（メタデータ） (2021-06-05T07:07:52Z) - FedGL: Federated Graph Learning Framework with Global Self-Supervision [22.124339267195822]
FedGLは、データプライバシを保護しながら、高品質なグローバルグラフモデルを取得することができる。
グローバルなセルフスーパービジョンにより、各クライアントの情報がプライバシー保護の方法で流れて共有できます。
論文 参考訳（メタデータ） (2021-05-07T11:27:23Z)
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。