Fugu-MT 論文翻訳(概要): Privacy-preserving design of graph neural networks with applications to vertical federated learning

論文の概要: Privacy-preserving design of graph neural networks with applications to vertical federated learning

arxiv url: http://arxiv.org/abs/2310.20552v1
Date: Tue, 31 Oct 2023 15:34:59 GMT
ステータス: 処理完了
システム内更新日: 2023-11-01 14:30:37.057556
Title: Privacy-preserving design of graph neural networks with applications to vertical federated learning
Title（参考訳）: グラフニューラルネットワークのプライバシー保護設計と垂直連合学習への応用
Authors: Ruofan Wu, Mingyang Zhang, Lingjuan Lyu, Xiaolong Xu, Xiuquan Hao, Xinyi Fu, Tengfei Liu, Tianyi Zhang, Weiqiang Wang
Abstract要約: VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
参考スコア（独自算出の注目度）: 56.74455367682945
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The paradigm of vertical federated learning (VFL), where institutions collaboratively train machine learning models via combining each other's local feature or label information, has achieved great success in applications to financial risk management (FRM). The surging developments of graph representation learning (GRL) have opened up new opportunities for FRM applications under FL via efficiently utilizing the graph-structured data generated from underlying transaction networks. Meanwhile, transaction information is often considered highly sensitive. To prevent data leakage during training, it is critical to develop FL protocols with formal privacy guarantees. In this paper, we present an end-to-end GRL framework in the VFL setting called VESPER, which is built upon a general privatization scheme termed perturbed message passing (PMP) that allows the privatization of many popular graph neural architectures.Based on PMP, we discuss the strengths and weaknesses of specific design choices of concrete graph neural architectures and provide solutions and improvements for both dense and sparse graphs. Extensive empirical evaluations over both public datasets and an industry dataset demonstrate that VESPER is capable of training high-performance GNN models over both sparse and dense graphs under reasonable privacy budgets.
Abstract（参考訳）: 組織が相互のローカル特徴やラベル情報を組み合わせて機械学習モデルを協調訓練する垂直連合学習(VFL)のパラダイムは、金融リスク管理(FRM)への応用において大きな成功を収めている。グラフ表現学習(GRL)の進展により、基盤となるトランザクションネットワークから生成されたグラフ構造化データを効率的に活用することで、FL下でのFRMアプリケーションに新たな機会が開かれた。一方、取引情報は高感度と見なされることが多い。トレーニング中のデータ漏洩を防止するため、正式なプライバシー保証付きFLプロトコルを開発することが重要である。本稿では,多くのグラフニューラルアーキテクチャの民営化を可能にする一般民営化スキームであるperturbed message passing(pmp)に基づいて,vesperと呼ばれるvfl設定におけるエンドツーエンドのgrlフレームワークを提案する。pmpに基づいて,具体的グラフニューラルアーキテクチャの特定の設計選択の強みと弱みについて論じ,高密度グラフと疎グラフの両方に対する解と改善を提供する。パブリックデータセットと業界データセットの両方に対する広範な経験的評価は、VESPERが適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングできることを示している。

関連論文リスト

FedSSP: Federated Graph Learning with Spectral Knowledge and Personalized Preference [31.796411806840087]
フェデレートされたグラフ学習(pFGL)は、プライバシーを損なうことなく、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容易にする。それまでのpFGLメソッドは、非ジェネリックな知識を全世界で誤って共有し、パーソナライズされたソリューションをローカルにカスタマイズできなかった。提案するpFGLフレームワークであるFedSSPを提案する。
論文参考訳（メタデータ） (2024-10-26T07:09:27Z)
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)
PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
論文参考訳（メタデータ） (2023-05-19T05:39:40Z)
Lumos: Heterogeneity-aware Federated Graph Learning over Decentralized Devices [19.27111697495379]
グラフニューラルネットワーク(GNN)は、現実世界のネットワークアプリケーションやシステムに広くデプロイされている。本稿では,教師付き学習と教師なし学習をサポートするLumosという,初の連合型GNNフレームワークを提案する。クライアント毎に構築したツリーに基づいて,多目的学習を支援するために,分散型ツリーベースGNNトレーナーを提案する。
論文参考訳（メタデータ） (2023-03-01T13:27:06Z)
Federated Graph-based Networks with Shared Embedding [1.323497585762675]
本稿では,共有埋め込み(Feras)を用いたフェデレーショングラフベースのネットワークを提案する。 Ferasは、現在のグラフベースのモデルのトレーニングを、フェデレートされた学習フレームワークで行うことで、プライバシの懸念を解消する。
論文参考訳（メタデータ） (2022-10-03T12:51:15Z)
FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs [22.649780281947837]
いくつかの実践的なシナリオでは、グラフデータは複数の分散パーティに別々に格納されます。上記の課題に対処するために,egoグラフに基づくフェデレーショングラフ学習フレームワークであるFedEgoを提案する。
論文参考訳（メタデータ） (2022-08-29T15:47:36Z)
LPGNet: Link Private Graph Networks for Node Classification [37.26462186216589]
我々は、プライバシに敏感なエッジを持つグラフのトレーニングのために、LPGNetと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 LPGNetは、トレーニング中にグラフエッジ構造がどのように使用されるかという新しい設計を使用して、エッジに対する差分プライバシー保証を提供する。
論文参考訳（メタデータ） (2022-05-06T09:38:35Z)
Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文参考訳（メタデータ） (2022-01-17T11:57:29Z)
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)
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。