論文の概要: Graph Topology Learning Under Privacy Constraints

• arxiv url: http://arxiv.org/abs/2301.06662v2
• Date: Mon, 4 Sep 2023 06:45:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 06:55:45.853756
• 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
• Abstract要約: 本稿では,スムーズなグラフ信号から基礎となるグラフトポロジを推定する問題を考える。 ローカル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共同で学習する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）: 6.366934969620947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of inferring the underlying graph topology from smooth graph signals in a novel but practical scenario where data are located in distributed clients and are privacy-sensitive. The main difficulty of this task lies in how to utilize the potentially heterogeneous data of all isolated clients under privacy constraints. Towards this end, we propose a framework where personalized graphs for local clients as well as a consensus graph are jointly learned. The personalized graphs match local data distributions, thereby mitigating data heterogeneity, while the consensus graph captures the global information. We next devise a tailored algorithm to solve the induced problem without violating privacy constraints, i.e., all private data are processed locally. To further enhance privacy protection, we introduce differential privacy (DP) into the proposed algorithm to resist privacy attacks when transmitting model updates. Theoretically, we establish provable convergence analyses for the proposed algorithms, including that with DP. Finally, extensive experiments on both synthetic and real-world data are carried out to validate the proposed framework. Experimental results illustrate that our approach can learn graphs effectively in the target scenario.
• Abstract（参考訳）: 我々は、データを分散クライアントに配置し、プライバシに敏感な、斬新だが実用的なシナリオにおいて、滑らかなグラフ信号から基盤となるグラフトポロジーを推測する問題を考える。 このタスクの主な困難は、プライバシーの制約下で、すべての孤立したクライアントの潜在的異種データをどのように利用するかである。 この目的のために,ローカル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併用して学習するフレームワークを提案する。 パーソナライズされたグラフは局所的なデータ分布と一致し、データの多様性を緩和し、コンセンサスグラフはグローバル情報をキャプチャする。 次に,プライバシの制約に違反せず,すなわち,すべてのプライベートデータがローカルに処理されるような問題を解くためのアルゴリズムを考案する。 プライバシ保護をさらに強化するため,提案アルゴリズムに差分プライバシー(DP)を導入し,モデル更新の送信時にプライバシ攻撃に抵抗する。 理論的には、DPを含む提案アルゴリズムの証明可能な収束解析を確立する。 最後に、提案フレームワークを検証するために、合成データと実世界のデータの両方について広範な実験を行う。 実験の結果,本手法は対象シナリオで効果的にグラフを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。