論文の概要: Federated Learning over Coupled Graphs

• arxiv url: http://arxiv.org/abs/2301.11099v1
• Date: Thu, 26 Jan 2023 13:43:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-27 13:43:45.228663
• Title: Federated Learning over Coupled Graphs
• Title（参考訳）: 結合グラフによるフェデレーション学習
• Authors: Runze Lei, Pinghui Wang, Junzhou Zhao, Lin Lan, Jing Tao, Chao Deng, Junlan Feng, Xidian Wang, Xiaohong Guan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.86903030911785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs are widely used to represent the relations among entities. When one owns the complete data, an entire graph can be easily built, therefore performing analysis on the graph is straightforward. However, in many scenarios, it is impractical to centralize the data due to data privacy concerns. An organization or party only keeps a part of the whole graph data, i.e., graph data is isolated from different parties. Recently, Federated Learning (FL) has been proposed to solve the data isolation issue, mainly for Euclidean data. It is still a challenge to apply FL on graph data because graphs contain topological information which is notorious for its non-IID nature and is hard to partition. In this work, we propose a novel FL framework for graph data, FedCog, to efficiently handle coupled graphs that are a kind of distributed graph data, but widely exist in a variety of real-world applications such as mobile carriers' communication networks and banks' transaction networks. We theoretically prove the correctness and security of FedCog. Experimental results demonstrate that our method FedCog significantly outperforms traditional FL methods on graphs. Remarkably, our FedCog improves the accuracy of node classification tasks by up to 14.7%.
• Abstract（参考訳）: グラフはエンティティ間の関係を表現するために広く使われている。 完全なデータを所有している場合、グラフ全体を簡単に構築できるため、グラフ上での分析は簡単である。 しかし、多くのシナリオでは、データプライバシの懸念により、データの集中化は不可能である。 組織やパーティは、グラフデータ全体、すなわち、グラフデータは異なるパーティから分離されている部分のみを保持します。 近年,euclideanデータを中心に,データ分離問題を解決するために連合学習(federated learning,fl)が提案されている。 グラフデータにflを適用するのは依然として難しい。なぜならグラフには、その非iid性で知られ、分割が難しいトポロジカルな情報が含まれているからだ。 本研究では,分散グラフデータの一種でありながら,モバイルキャリアの通信ネットワークや銀行のトランザクションネットワークなど,さまざまな現実のアプリケーションに広く存在するような,結合グラフを効率的に扱うための,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。 我々はフェデコグの正確性と安全性を理論的に証明する。 実験の結果,FedCog法は従来のFL法よりも有意な性能を示した。 注目すべきは、FedCogはノード分類タスクの精度を最大14.7%改善することです。

関連論文リスト

• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• 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)
• 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)
• OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
  グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。 既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。 本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
  論文  参考訳（メタデータ） (2021-12-07T16:29:10Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• A Vertical Federated Learning Framework for Graph Convolutional Network [12.684113617570643]
  FedVGCNは、垂直分割されたデータの下でのプライバシー保護ノード分類タスクの学習パラダイムである。 トレーニングプロセスのそれぞれについて、両者は同型暗号の下で中間結果を互いに転送する。 ベンチマークデータを用いて実験を行い,グラフサージにおけるFedVGCNの有効性を実証した。
  論文  参考訳（メタデータ） (2021-06-22T07:57:46Z)
• 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)
• 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。