論文の概要: FedGKD: Unleashing the Power of Collaboration in Federated Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2309.09517v3
• Date: Thu, 21 Sep 2023 08:37:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-22 11:49:22.946367
• Title: FedGKD: Unleashing the Power of Collaboration in Federated Graph Neural Networks
• Title（参考訳）: FedGKD:フェデレーショングラフニューラルネットワークにおけるコラボレーションのパワーの解放
• Authors: Qiying Pan, Ruofan Wu, Tengfei Liu, Tianyi Zhang, Yifei Zhu, Weiqiang Wang
• Abstract要約: グラフニューラルネットワーク(GNN)のフェデレーショントレーニングは、データ分離シナリオ下でグラフ関連のタスクを実行する能力によって、近年人気を集めている。 連合型GNNシステムにおけるグラフの不均一性問題は、引き続き課題を提起している。 本稿では,新しいクライアント側グラフデータセット蒸留法を利用した新しいGNNフレームワークであるFedGKDを提案する。
• 参考スコア（独自算出の注目度）: 40.5420021584431
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Federated training of Graph Neural Networks (GNN) has become popular in recent years due to its ability to perform graph-related tasks under data isolation scenarios while preserving data privacy. However, graph heterogeneity issues in federated GNN systems continue to pose challenges. Existing frameworks address the problem by representing local tasks using different statistics and relating them through a simple aggregation mechanism. However, these approaches suffer from limited efficiency from two aspects: low quality of task-relatedness quantification and inefficacy of exploiting the collaboration structure. To address these issues, we propose FedGKD, a novel federated GNN framework that utilizes a novel client-side graph dataset distillation method to extract task features that better describe task-relatedness, and introduces a novel server-side aggregation mechanism that is aware of the global collaboration structure. We conduct extensive experiments on six real-world datasets of different scales, demonstrating our framework's outperformance.
• Abstract（参考訳）: グラフニューラルネットワーク(gnn)のフェデレーショントレーニングは、データプライバシを維持しながら、データ分離シナリオ下でグラフ関連タスクを実行する能力から、近年普及している。 しかし、連合型GNNシステムにおけるグラフの不均一性問題は引き続き課題となっている。 既存のフレームワークは、異なる統計を用いてローカルタスクを表現し、単純な集約メカニズムを通じてそれらを関連付けることで、この問題に対処する。 しかしながら、これらのアプローチは、タスク関連性定量化の低品質と、コラボレーション構造を利用する非効率という2つの側面から、限られた効率性に苦しめられている。 これらの課題に対処するため,FedGKDという新しいクライアント側グラフデータセット蒸留手法を用いてタスク関連性をよりよく記述したタスク特徴を抽出する新しいGNNフレームワークを提案し,グローバルな協調構造を認識したサーバ側集約機構を提案する。 異なるスケールの6つの実世界のデータセットについて広範な実験を行い、フレームワークのアウトパフォーマンスを実証した。

関連論文リスト

• Unified Graph Networks (UGN): A Deep Neural Framework for Solving Graph Problems [0.5699788926464752]
  グラフ問題を解くために,emphUnified emphGraph emphNetwork (UGN) という新しいフレームワークを提案する。 UGNはグラフ畳み込みニューラルネットワーク(GCN)と2次元畳み込みニューラルネットワーク(Conv2D)に基づいている
  論文  参考訳（メタデータ） (2025-02-11T12:03:18Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Federated Continual Graph Learning [7.464095716250756]
  フェデレート連続グラフ学習(FCGL)の先駆的な研究について述べる。 FCGLは、ストレージとプライバシの制約に固執しながら、分散化された設定内で複数の進化するグラフに適応する。 我々の研究はFCGLの総合的な実験分析から始まり、そのデータ特性、実現可能性、有効性を評価した。
  論文  参考訳（メタデータ） (2024-11-28T05:15:47Z)
• TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
  本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
  論文  参考訳（メタデータ） (2024-11-23T05:31:25Z)
• Federated Temporal Graph Clustering [9.779760673367663]
  時間グラフクラスタリングは、時間とともに関係や実体が変化する動的なグラフにおいて意味のある構造を発見する複雑なタスクである。 既存の方法は一般的に集中的なデータ収集を必要とし、これはプライバシーと通信上の重大な課題を引き起こす。 複数のクライアントをまたいだグラフニューラルネットワーク(GNN)の分散トレーニングを可能にする新しいフェデレーション時間グラフクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T08:04:57Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Federated Neural Graph Databases [53.03085605769093]
  プライバシを保ちながらマルチソースグラフベースのデータの推論を可能にする新しいフレームワークであるFederated Neural Graph Database (FedNGDB)を提案する。 既存の方法とは異なり、FedNGDBは複雑なグラフ構造と関係を扱うことができ、様々な下流タスクに適合する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• Over-Squashing in Graph Neural Networks: A Comprehensive survey [0.0]
  この調査は、グラフニューラルネットワーク(GNN)におけるオーバースカッシングの課題を掘り下げるものだ。 オーバースカッシングの原因、結果、緩和戦略を包括的に探求する。 グラフの書き換え、新しい正規化、スペクトル分析、曲率に基づく戦略など、様々な手法がレビューされている。 また、オーバー・スムーシングなど、オーバー・スカッシングと他のGNN制限との相互作用についても論じている。
  論文  参考訳（メタデータ） (2023-08-29T18:46:15Z)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。