論文の概要: Privacy-Preserving Community Detection for Locally Distributed Multiple Networks

• arxiv url: http://arxiv.org/abs/2306.15709v2
• Date: Mon, 21 Oct 2024 04:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:14:20.656148
• Title: Privacy-Preserving Community Detection for Locally Distributed Multiple Networks
• Title（参考訳）: ローカル分散ネットワークにおけるプライバシ保護コミュニティ検出
• Authors: Xiao Guo, Xiang Li, Xiangyu Chang, Shujie Ma,
• Abstract要約: 多層ブロックモデルにおけるコンセンサスコミュニティの検出と推定のための新しい手法を提案する。 分散スペクトルクラスタリング(ppDSC)と呼ばれる新しいアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 11.693304974549893
• License:
• Abstract: Modern multi-layer networks are commonly stored and analyzed in a local and distributed fashion because of the privacy, ownership, and communication costs. The literature on the model-based statistical methods for community detection based on these data is still limited. This paper proposes a new method for consensus community detection and estimation in a multi-layer stochastic block model using locally stored and computed network data with privacy protection. A novel algorithm named privacy-preserving Distributed Spectral Clustering (ppDSC) is developed. To preserve the edges' privacy, we adopt the randomized response (RR) mechanism to perturb the network edges, which satisfies the strong notion of differential privacy. The ppDSC algorithm is performed on the squared RR-perturbed adjacency matrices to prevent possible cancellation of communities among different layers. To remove the bias incurred by RR and the squared network matrices, we develop a two-step bias-adjustment procedure. Then we perform eigen-decomposition on the debiased matrices, aggregation of the local eigenvectors using an orthogonal Procrustes transformation, and k-means clustering. We provide theoretical analysis on the statistical errors of ppDSC in terms of eigen-vector estimation. In addition, the blessings and curses of network heterogeneity are well-explained by our bounds.
• Abstract（参考訳）: 現代のマルチレイヤネットワークは、プライバシ、オーナシップ、通信コストのために、ローカルおよび分散形式で一般的に保存され、分析される。 これらのデータに基づくコミュニティ検出のためのモデルに基づく統計手法に関する文献は、いまだに限られている。 本稿では, 局所記憶型および計算型ネットワークデータを用いた多層確率ブロックモデルにおけるコンセンサスコミュニティの検出と推定のための新しい手法を提案する。 プライバシ保存分散スペクトルクラスタリング(ppDSC)と呼ばれる新しいアルゴリズムを開発した。 エッジのプライバシを維持するため,ネットワークエッジを乱すためにランダム化応答(RR)機構を採用し,差分プライバシという強い概念を満足する。 pDSCアルゴリズムは、異なる層間のコミュニティのキャンセルを防止するために、正方形RR摂動隣接行列上で実行される。 RRと2乗ネットワーク行列によるバイアスを除去するために,2段階のバイアス調整手法を開発した。 次に, 偏平行列上の固有分解, 直交プロクリスト変換を用いた局所固有ベクトルの集約, k-平均クラスタリングを行う。 固有ベクトル推定におけるpDSCの統計的誤差に関する理論的解析を行った。 さらに、ネットワークの不均一性の祝福と呪いは、我々の限界によってよく説明されています。

関連論文リスト

• Differentially Private Neural Network Training under Hidden State Assumption [2.3371504588528635]
  隠れ状態前提下でのプライバシー保証を保証可能なニューラルネットワークに対する差分プライベートニューラルネットワーク座標降下(DP-SBCD)と呼ばれる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-11T07:14:40Z)
• Bias-Corrected Joint Spectral Embedding for Multilayer Networks with Invariant Subspace: Entrywise Eigenvector Perturbation and Inference [0.0]
  本稿では、新しいバイアス補正型共同スペクトル埋め込みアルゴリズムを用いて、異種多重ネットワーク間の不変部分空間を推定する。 提案アルゴリズムは、閉形式バイアス式を利用して、正方形ネットワーク隣接行列の和の対角偏差を校正する。 提案アルゴリズムのエントリワイドな部分空間摂動境界を含むエントリワイドな部分空間推定理論の完全なレシピを確立する。
  論文  参考訳（メタデータ） (2024-06-12T03:36:55Z)
• Private Online Community Detection for Censored Block Models [60.039026645807326]
  検閲ブロックモデル(CBM)を用いた動的コミュニティにおけるプライベートオンライン変更検出問題について検討する。 ユーザのプライバシーを維持しつつ,コミュニティ構造の変化を識別するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-09T12:35:57Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• Local Differential Privacy in Graph Neural Networks: a Reconstruction Approach [17.000441871334683]
  ユーザレベルでノードのプライバシを提供するための学習フレームワークを提案する。 我々は、分散化された微分プライバシーの概念、すなわちローカル微分プライバシに焦点を当てる。 摂動データから特徴やラベルを近似する再構成手法を開発した。
  論文  参考訳（メタデータ） (2023-09-15T17:35:51Z)
• Differentially Private Distributed Estimation and Learning [2.4401219403555814]
  ネットワーク環境における分散推定と学習の問題について検討する。 エージェントは、プライベートに観察されたサンプルからランダム変数の未知の統計特性を推定するために情報を交換する。 エージェントは、自分のプライベートな観察に関する情報を交換することで、未知の量を見積もることができるが、プライバシー上のリスクにも直面する。
  論文  参考訳（メタデータ） (2023-06-28T01:41:30Z)
• On the Privacy-Robustness-Utility Trilemma in Distributed Learning [7.778461949427662]
  本稿では,少数の対向マシンに対してロバスト性を保証するアルゴリズムによって得られた誤差を,まず厳密に解析する。 私たちの分析は、プライバシ、堅牢性、ユーティリティの基本的なトレードオフを示しています。
  論文  参考訳（メタデータ） (2023-02-09T17:24:18Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。