論文の概要: Free Lunch for Privacy Preserving Distributed Graph Learning
- arxiv url: http://arxiv.org/abs/2305.10869v2
- Date: Fri, 19 May 2023 05:06:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 10:28:57.030204
- Title: Free Lunch for Privacy Preserving Distributed Graph Learning
- Title（参考訳）: プライバシを保護した分散グラフ学習のための無料ランチ
- Authors: Nimesh Agrawal, Nikita Malik, Sandeep Kumar
- Abstract要約: 分散グラフ学習とグラフベース機械学習のための新しいプライバシ参照フレームワークを提案する。
本フレームワークは,生データの本来の構造特性を保ちながら,実際の特徴を必要とせずに,特徴と距離を学習することを目的としている。
- 参考スコア（独自算出の注目度）: 1.8292714902548342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning on graphs is becoming prevalent in a wide range of applications
including social networks, robotics, communication, medicine, etc. These
datasets belonging to entities often contain critical private information. The
utilization of data for graph learning applications is hampered by the growing
privacy concerns from users on data sharing. Existing privacy-preserving
methods pre-process the data to extract user-side features, and only these
features are used for subsequent learning. Unfortunately, these methods are
vulnerable to adversarial attacks to infer private attributes. We present a
novel privacy-respecting framework for distributed graph learning and
graph-based machine learning. In order to perform graph learning and other
downstream tasks on the server side, this framework aims to learn features as
well as distances without requiring actual features while preserving the
original structural properties of the raw data. The proposed framework is quite
generic and highly adaptable. We demonstrate the utility of the Euclidean
space, but it can be applied with any existing method of distance approximation
and graph learning for the relevant spaces. Through extensive experimentation
on both synthetic and real datasets, we demonstrate the efficacy of the
framework in terms of comparing the results obtained without data sharing to
those obtained with data sharing as a benchmark. This is, to our knowledge, the
first privacy-preserving distributed graph learning framework.
- Abstract（参考訳）: グラフでの学習は、ソーシャルネットワーク、ロボティクス、コミュニケーション、医療など、幅広いアプリケーションで広く普及しています。
これらのデータセットは、しばしば重要なプライベート情報を含む。
グラフ学習アプリケーションにおけるデータの利用は、データ共有に関するユーザのプライバシー上の懸念が高まり、妨げられている。
既存のプライバシ保存手法は、データを前処理してユーザ側の特徴を抽出する。
残念ながら、これらのメソッドはプライベート属性を推論する敵の攻撃に対して脆弱である。
分散グラフ学習とグラフベース機械学習のための新しいプライバシー監視フレームワークを提案する。
本フレームワークは,サーバ側でグラフ学習やその他の下流タスクを行うために,生データの本来の構造特性を保ちながら,実際の特徴を必要とせずに,特徴や距離を学習することを目的としている。
提案されたフレームワークは非常に汎用的で適応性が高い。
ユークリッド空間の有用性を実証するが、既存の距離近似法や関連する空間のグラフ学習に適用できる。
合成データと実データの両方について広範な実験を行い、ベンチマークとしてデータ共有で得られたものとデータ共有せずに得られた結果を比較して、フレームワークの有効性を実証する。
これは私たちの知る限り、最初のプライバシ保護分散グラフ学習フレームワークです。
関連論文リスト
- Privately Learning from Graphs with Applications in Fine-tuning Large Language Models [16.972086279204174]
金融や医療といった繊細な分野のリレーショナルデータは、しばしば私的な情報を含んでいる。
DP-SGDのような既存のプライバシー保護手法は、関係学習には適していない。
トレーニング中にサンプル関係の依存関係を分離するプライバシー保護型関係学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-10-10T18:38:38Z) - Privacy-Preserving Graph Embedding based on Local Differential Privacy [26.164722283887333]
ノードデータのプライバシを保護するために,PrivGEという新たなプライバシ保護グラフ埋め込みフレームワークを導入する。
具体的には,ノードデータを難読化するための LDP 機構を提案し,パーソナライズされた PageRank を近接指標としてノード表現を学習する。
いくつかの実世界のグラフデータセットの実験は、PrivGEがプライバシとユーティリティの最適なバランスを達成していることを示している。
論文 参考訳（メタデータ） (2023-10-17T08:06:08Z) - Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。
これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。
独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-16T13:32:43Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳（メタデータ） (2023-07-10T04:30:23Z) - Privacy-Preserving Representation Learning on Graphs: A Mutual
Information Perspective [44.53121844947585]
グラフ上の既存の表現学習手法は、深刻な個人情報を漏洩させる可能性がある。
本稿では,空間情報の観点から,グラフ上のプライバシ保護表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-03T18:09:44Z) - 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) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - TIPRDC: Task-Independent Privacy-Respecting Data Crowdsourcing Framework
for Deep Learning with Anonymized Intermediate Representations [49.20701800683092]
本稿では,匿名化中間表現を用いたタスク非依存型プライバシ参照データクラウドソーシングフレームワークTIPRDCを提案する。
このフレームワークの目的は、中間表現からプライバシー情報を隠蔽できる機能抽出器を学習することであり、データコレクターの生データに埋め込まれた元の情報を最大限に保持し、未知の学習タスクを達成することである。
論文 参考訳（メタデータ） (2020-05-23T06:21:26Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。