論文の概要: Graph Topology Learning Under Privacy Constraints

• arxiv url: http://arxiv.org/abs/2301.06662v1
• Date: Tue, 17 Jan 2023 02:14:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 15:05:19.716796
• Title: Graph Topology Learning Under Privacy Constraints
• Title（参考訳）: プライバシー制約下でのグラフトポロジ学習
• Authors: Xiang Zhang. Qiao Wang
• Abstract要約: プライバシに敏感なデータを分離したクライアント(デバイスや組織)に配置する現実的なシナリオについて検討する。 このシナリオでグラフを学ぶことの最大の難しさは、中央サーバーですべてのデータを処理できないことです。 本稿では,クライアント毎のパーソナライズされたグラフとコンセンサスグラフを共同で学習する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph learning, which aims to infer the underlying topology behind high dimension data, has attracted intense attention. In this study, we shed a new light on graph learning by considering a pragmatic scenario where data are privacy sensitive and located in separated clients (devices or organizations). The main difficulty in learning graphs in this scenario is that we cannot process all the data in a central server, because the data are not allowed to leave the local clients due to privacy concerns. The problem becomes more challenging when data of different clients are non-IID, since it is unreasonable to learn a global graph for heterogeneous data. To address these issues, we propose a novel framework in which a personalized graph for each client and a consensus graph are jointly learned in a federated fashion. Specifically, we commute model updates instead of raw data to the central server in the proposed federated algorithm. A provable convergence analysis shows that the algorithm enjoys $\mathcal{O}(1/T)$ convergence rate. To further enhance privacy, we design a deferentially privacy algorithm to prevent the information of the raw data from being leaked when transferring model updates. A theoretical guidance is provided on how to ensure that the algorithm satisfies differential privacy. We also analyze the impact of differential privacy on the convergence of our algorithm. Finally, extensive experiments on both synthetic and real world data are carried out to validate the proposed models and algorithms. Experimental results illustrate that our framework is able to learn graphs effectively in the target scenario.
• Abstract（参考訳）: 高次元データの背後にあるトポロジーを推論することを目的としたグラフ学習が注目されている。 本研究では,プライバシに敏感で分離したクライアント(デバイスや組織)にデータを配置する実用的なシナリオを検討することで,グラフ学習に新たな光を当てた。 このシナリオにおけるグラフの学習の難しさは、プライバシの懸念のためにデータがローカルクライアントを離れることを許されていないため、中央サーバですべてのデータを処理できないことです。 異種データのためのグローバルグラフを学ぶのは理不尽であるため、異なるクライアントのデータが非iidの場合、問題はより困難になる。 これらの問題に対処するために、各クライアントのパーソナライズされたグラフとコンセンサスグラフを連携して学習する新しいフレームワークを提案する。 具体的には、提案するフェデレーションアルゴリズムにおいて、生データの代わりにモデル更新を中央サーバに送信する。 証明可能な収束解析は、アルゴリズムが$\mathcal{O}(1/T)$収束率を楽しむことを示している。 プライバシをさらに強化するため,モデル更新時に生データの情報が漏洩するのを防止するために,遅延プライバシアルゴリズムを設計する。 アルゴリズムが差分プライバシーを満たすことを確実にする方法に関する理論的ガイダンスが提供される。 また,差分プライバシーがアルゴリズムの収束に与える影響についても分析した。 最後に,提案するモデルとアルゴリズムを検証するために,合成データと実世界データの両方について広範な実験を行った。 実験の結果,本フレームワークは対象シナリオでグラフを効果的に学習できることが判明した。

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)
• GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks [69.97213941893351]
  グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。 既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。 本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-13T02:59:37Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Generated Graph Detection [27.591612297045817]
  グラフ生成モデルは、データ分散近似とデータ拡張にますます効果的になる。 4つの分類シナリオにおいて、洗練されたモデルの集合とその性能を調査する最初のフレームワークを提案する。 私たちのソリューションは、生成されたグラフの誤用を抑制するのに十分な期間維持できます。
  論文  参考訳（メタデータ） (2023-06-13T13:18:04Z)
• 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)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Distributed Graph Learning with Smooth Data Priors [61.405131495287755]
  本稿では,ノード上の信号観測からグラフを推論する分散グラフ学習アルゴリズムを提案する。 この結果から,分散手法は,推定グラフの精度を損なうことなく,集中型アルゴリズムよりも通信コストが低いことがわかった。
  論文  参考訳（メタデータ） (2021-12-11T00:52:02Z)
• 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。