論文の概要: Privacy-Preserving Graph Machine Learning from Data to Computation: A Survey

• arxiv url: http://arxiv.org/abs/2307.04338v1
• Date: Mon, 10 Jul 2023 04:30:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 14:09:07.068346
• Title: Privacy-Preserving Graph Machine Learning from Data to Computation: A Survey
• Title（参考訳）: データから計算へのグラフ機械学習のプライバシ保護:サーベイ
• Authors: Dongqi Fu, Wenxuan Bao, Ross Maciejewski, Hanghang Tong, Jingrui He
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.7834898542701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In graph machine learning, data collection, sharing, and analysis often involve multiple parties, each of which may require varying levels of data security and privacy. To this end, preserving privacy is of great importance in protecting sensitive information. In the era of big data, the relationships among data entities have become unprecedentedly complex, and more applications utilize advanced data structures (i.e., graphs) that can support network structures and relevant attribute information. To date, many graph-based AI models have been proposed (e.g., graph neural networks) for various domain tasks, like computer vision and natural language processing. In this paper, we focus on reviewing privacy-preserving techniques of graph machine learning. We systematically review related works from the data to the computational aspects. We first review methods for generating privacy-preserving graph data. Then we describe methods for transmitting privacy-preserved information (e.g., graph model parameters) to realize the optimization-based computation when data sharing among multiple parties is risky or impossible. In addition to discussing relevant theoretical methodology and software tools, we also discuss current challenges and highlight several possible future research opportunities for privacy-preserving graph machine learning. Finally, we envision a unified and comprehensive secure graph machine learning system.
• Abstract（参考訳）: グラフ機械学習では、データ収集、共有、分析が複数のパーティを巻き込み、それぞれがさまざまなレベルのデータセキュリティとプライバシを必要とすることがある。 この目的のために、プライバシーの保護は機密情報を保護する上で非常に重要である。 ビッグデータの時代では、データエンティティ間の関係は前例のないほど複雑になり、ネットワーク構造や関連する属性情報をサポートする高度なデータ構造(グラフなど)を利用するアプリケーションも増えている。 これまで、コンピュータビジョンや自然言語処理など、さまざまなドメインタスクに対して多くのグラフベースのAIモデル(グラフニューラルネットワークなど)が提案されてきた。 本稿では,グラフ機械学習のプライバシ保存手法のレビューに注目する。 我々は,データから計算面まで,関連する作業を体系的にレビューする。 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,複数当事者間のデータ共有が危険あるいは不可能である場合の最適化に基づく計算を実現するために,プライバシー保護情報(グラフモデルパラメータなど)を送信する手法について述べる。 関連する理論的方法論やソフトウェアツールの議論に加えて、現在の課題についても論じ、プライバシー保護グラフ機械学習の今後の研究機会をいくつか挙げる。 最後に,統一的で総合的なグラフ機械学習システムを提案する。

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)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Data-centric Graph Learning: A Survey [37.849198493911736]
  本稿では,グラフ学習パイプラインの段階に基づく新しい分類法を提案する。 グラフデータに埋め込まれた潜在的な問題を解析し、それをデータ中心の方法で解決する方法について議論する。
  論文  参考訳（メタデータ） (2023-10-08T03:17:22Z)
• Towards Data-centric Graph Machine Learning: Review and Outlook [120.64417630324378]
  データ中心グラフ機械学習(DC-GML)という,グラフデータライフサイクルのすべての段階を包含する体系的なフレームワークを導入する。 各段階の完全な分類法が示され、3つの重要なグラフ中心の質問に答える。 我々は、DC-GMLドメインの将来展望を指摘し、その進歩と応用をナビゲートするための洞察を提供する。
  論文  参考訳（メタデータ） (2023-09-20T00:40:13Z)
• 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)
• Free Lunch for Privacy Preserving Distributed Graph Learning [1.8292714902548342]
  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。
  論文  参考訳（メタデータ） (2023-05-18T10:41:21Z)
• Privacy-preserving Graph Analytics: Secure Generation and Federated Learning [72.90158604032194]
  我々は、リッチな属性と関係を表現する重要な能力を提供するグラフデータのプライバシー保護分析に焦点を当てる。 本稿では,プライバシ保護グラフ生成とフェデレーショングラフ学習という2つの方向性について論じる。
  論文  参考訳（メタデータ） (2022-06-30T18:26:57Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)

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。