論文の概要: Crypto'Graph: Leveraging Privacy-Preserving Distributed Link Prediction
for Robust Graph Learning
- arxiv url: http://arxiv.org/abs/2309.10890v1
- Date: Tue, 19 Sep 2023 19:30:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 18:05:41.152032
- Title: Crypto'Graph: Leveraging Privacy-Preserving Distributed Link Prediction
for Robust Graph Learning
- Title（参考訳）: Crypto'Graph:ロバストグラフ学習のためのプライバシ保護分散リンク予測を活用する
- Authors: Sofiane Azogagh, Zelma Aubin Birba, S\'ebastien Gambs and Marc-Olivier
Killijian
- Abstract要約: Crypto'Graphは、分散グラフ上のプライバシ保護リンク予測のための効率的なプロトコルである。
グラフ中毒攻撃に対する防御のために図示されており、個々のパーティのグラフのプライバシーを損なうことなく、潜在的に敵対的なリンクを特定することができる。
- 参考スコア（独自算出の注目度）: 2.048226951354646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphs are a widely used data structure for collecting and analyzing
relational data. However, when the graph structure is distributed across
several parties, its analysis is particularly challenging. In particular, due
to the sensitivity of the data each party might want to keep their partial
knowledge of the graph private, while still willing to collaborate with the
other parties for tasks of mutual benefit, such as data curation or the removal
of poisoned data. To address this challenge, we propose Crypto'Graph, an
efficient protocol for privacy-preserving link prediction on distributed
graphs. More precisely, it allows parties partially sharing a graph with
distributed links to infer the likelihood of formation of new links in the
future. Through the use of cryptographic primitives, Crypto'Graph is able to
compute the likelihood of these new links on the joint network without
revealing the structure of the private individual graph of each party, even
though they know the number of nodes they have, since they share the same graph
but not the same links. Crypto'Graph improves on previous works by enabling the
computation of a certain number of similarity metrics without any additional
cost. The use of Crypto'Graph is illustrated for defense against graph
poisoning attacks, in which it is possible to identify potential adversarial
links without compromising the privacy of the graphs of individual parties. The
effectiveness of Crypto'Graph in mitigating graph poisoning attacks and
achieving high prediction accuracy on a graph neural network node
classification task is demonstrated through extensive experimentation on a
real-world dataset.
- Abstract（参考訳）: グラフは関係データの収集と解析に広く使われているデータ構造である。
しかしながら、グラフ構造が複数のパーティに分散している場合、その分析は特に困難である。
特に、各パーティがグラフに関する部分的な知識をプライベートに保持したい場合、データのキュレーションや汚染されたデータの削除といった相互利益のタスクのために、他のパーティと協力する意思がある場合があります。
この課題に対処するために,分散グラフ上でのプライバシ保護リンク予測のための効率的なプロトコルであるCrypto'Graphを提案する。
より正確には、パーティが分散リンクのあるグラフを部分的に共有することで、将来新しいリンクの形成の可能性を予測することができる。
暗号プリミティブを使用することで、crypto'graphは、同一のグラフを共有しているが同一のリンクではないため、個々のノードの数を知っていても、それぞれの個人のグラフの構造を明らかにすることなく、ジョイントネットワーク上でこれらの新しいリンクの可能性を計算できる。
Crypto'Graphは、追加のコストなしで特定の類似度メトリクスの計算を可能にすることで、以前の作業を改善する。
Crypto'Graphの使用は、グラフ中毒攻撃に対する防御のために説明されており、個々のパーティのグラフのプライバシーを損なうことなく、潜在的な敵リンクを特定することができる。
グラフニューラルネットワークノード分類タスクにおいて、グラフ中毒の軽減と高い予測精度を達成するためのCrypto'Graphの有効性を、実世界のデータセットで広範な実験を通して示す。
関連論文リスト
- GRAND : Graph Reconstruction from potential partial Adjacency and Neighborhood Data [4.893653298798788]
セキュアなマルチパーティ計算のような暗号手法は、各参加者のデータに集中することなく、分散グラフの機能のセキュアな計算に使用できる。
本稿では,グラフの隣接行列を再構成する手法を提案する。
共役行列のみを観測する2つの逆数モデルと、元のグラフの部分的知識を持つ知識のある2つのモデルを考える。
論文 参考訳（メタデータ） (2024-12-03T09:42:28Z) - GraphPub: Generation of Differential Privacy Graph with High
Availability [21.829551460549936]
差分プライバシー(DP)は、グラフデータのプライバシーを保護する一般的な方法である。
グラフデータの複雑なトポロジ構造のため、グラフにDPを適用すると、GNNモデルのメッセージパッシングや集約に影響を及ぼすことが多い。
グラフトポロジを保護しつつ,データの可用性が基本的に変化しないことを保証するグラフパブリッシャ(GraphPub)を提案する。
論文 参考訳（メタデータ） (2024-02-28T20:02:55Z) - Structure-free Graph Condensation: From Large-scale Graphs to Condensed
Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。
我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文 参考訳（メタデータ） (2023-06-05T07:53:52Z) - Finding MNEMON: Reviving Memories of Node Embeddings [39.206574462957136]
元のグラフのノード埋め込み行列にのみアクセスすることで、敵が適切な精度でエッジを復元できることが示される。
広範囲な実験を通してグラフ回復攻撃の有効性と適用性を示す。
論文 参考訳（メタデータ） (2022-04-14T13:44:26Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - 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) - Inference Attacks Against Graph Neural Networks [33.19531086886817]
グラフの埋め込みは、グラフ分析問題を解決する強力なツールである。
グラフ埋め込みの共有は興味深いが、関連するプライバシーリスクは未調査だ。
3つの推論攻撃を組み込むことで,グラフ埋め込みの情報漏洩を系統的に調査する。
論文 参考訳（メタデータ） (2021-10-06T10:08:11Z) - 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) - 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) - Adversarial Privacy Preserving Graph Embedding against Inference Attack [9.90348608491218]
グラフ埋め込みはグラフ構造化データから低次元の特徴表現を学習するのに非常に有用であることが証明されている。
既存のグラフ埋め込み手法は、推論攻撃を防ぐためのユーザのプライバシを考慮しない。
本稿では,学習ノード表現からユーザのプライベート情報を削除するためのアンタングルとパージ機構を統合したグラフ対向トレーニングフレームワークであるAdrial Privacy Graph Embedding (APGE)を提案する。
論文 参考訳（メタデータ） (2020-08-30T00:06:49Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳（メタデータ） (2020-06-19T13:09:44Z)
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。