論文の概要: FedStruct: Federated Decoupled Learning over Interconnected Graphs
- arxiv url: http://arxiv.org/abs/2402.19163v1
- Date: Thu, 29 Feb 2024 13:47:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 14:46:37.132791
- Title: FedStruct: Federated Decoupled Learning over Interconnected Graphs
- Title(参考訳): FedStruct: 相互接続グラフによる分離学習
- Authors: Javad Aliakbari and Johan \"Ostman and Alexandre Graell i Amat
- Abstract要約: 複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。
我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。
半教師付きノード分類のための6つのデータセットを用いて実験結果を用いてFedStructの有効性を検証する。
- 参考スコア(独自算出の注目度): 60.9400186721042
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the challenge of federated learning on graph-structured data
distributed across multiple clients. Specifically, we focus on the prevalent
scenario of interconnected subgraphs, where inter-connections between different
clients play a critical role. We present a novel framework for this scenario,
named FedStruct, that harnesses deep structural dependencies. To uphold
privacy, unlike existing methods, FedStruct eliminates the necessity of sharing
or generating sensitive node features or embeddings among clients. Instead, it
leverages explicit global graph structure information to capture inter-node
dependencies. We validate the effectiveness of FedStruct through experimental
results conducted on six datasets for semi-supervised node classification,
showcasing performance close to the centralized approach across various
scenarios, including different data partitioning methods, varying levels of
label availability, and number of clients.
- Abstract(参考訳): 複数のクライアントに分散したグラフ構造化データに対するフェデレーション学習の課題に対処する。
具体的には、異なるクライアント間の相互接続が重要な役割を果たす相互接続サブグラフの一般的なシナリオに焦点を当てる。
我々は、このシナリオのための新しいフレームワーク、FedStructを紹介します。
プライバシを保護するために、既存の方法とは異なり、feedstructは機密性の高いノード機能やクライアント間の埋め込みの共有や生成を不要にする。
その代わり、明示的なグローバルグラフ構造情報を利用してノード間の依存関係をキャプチャする。
本研究では,半教師付きノード分類のための6つのデータセット上で実施した実験結果からfeedstructの有効性を検証し,データ分割手法の相違,ラベル可用性の変動,クライアント数など,さまざまなシナリオにおける集中型アプローチに近いパフォーマンスを示す。
関連論文リスト
- GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。
既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。
グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
論文 参考訳(メタデータ) (2024-02-23T08:29:42Z) - Efficient Multi-View Graph Clustering with Local and Global Structure
Preservation [59.49018175496533]
局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。
具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。
さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
論文 参考訳(メタデータ) (2023-08-31T12:12:30Z) - Learning Representations without Compositional Assumptions [79.12273403390311]
本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。
また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
論文 参考訳(メタデータ) (2023-05-31T10:36:10Z) - GlueStick: Robust Image Matching by Sticking Points and Lines Together [64.18659491529382]
本稿では,1つのワイヤフレーム構造にポイント,ライン,ディスクリプタを統一する新たなマッチングパラダイムを提案する。
私たちの戦略は、他のマッチングアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-04-04T17:58:14Z) - Federated Learning on Non-IID Graphs via Structural Knowledge Sharing [47.140441784462794]
フェデレーショングラフ学習(FGL)により、クライアントはプライベートデータを共有せずに、分散型で強力なGNNモデルをトレーニングできる。
我々はFedStarというFGLフレームワークを提案し、グラフ間学習タスクの共通基盤構造情報を抽出し、共有する。
クロスデータセットとクロスドメインのFGL設定の両方に対して広範な実験を行い、FedStarの優位性を実証した。
論文 参考訳(メタデータ) (2022-11-23T15:12:16Z) - Gromov-Wasserstein Discrepancy with Local Differential Privacy for
Distributed Structural Graphs [7.4398547397969494]
本稿では,グラフニューラルネットワークから学習したノード埋め込みのGW差分を分析するためのプライバシー保護フレームワークを提案する。
我々の実験は,$varilon$-LDPアルゴリズムによって保証される強力なプライバシー保護により,提案フレームワークがグラフ学習におけるプライバシを保存するだけでなく,GW距離下でのノイズ構造指標も提示することを示した。
論文 参考訳(メタデータ) (2022-02-01T23:32:33Z) - Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。
マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
論文 参考訳(メタデータ) (2021-10-05T13:37:43Z) - HOSE-Net: Higher Order Structure Embedded Network for Scene Graph
Generation [20.148175528691905]
本稿では,関係の局所的および大域的構造情報を出力空間に組み込むための新しい構造認識型組込み分類器(SEC)モジュールを提案する。
また,高次構造情報を導入して部分空間の数を減らし,階層的セマンティックアグリゲーション(HSA)モジュールを提案する。
提案したHOSE-Netは、Visual GenomeとVRDの2つの人気のあるベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-08-12T07:58:13Z) - Secure Deep Graph Generation with Link Differential Privacy [32.671503863933616]
我々は、差分プライバシー(DP)フレームワークを利用して、ディープグラフ生成モデルに厳密なプライバシー制約を定式化し、強制する。
特に、リンク再構成に基づくグラフ生成モデルの勾配に適切なノイズを注入することにより、エッジDPを強制する。
提案した DPGGAN モデルでは,グローバル構造を効果的に保存し,個々のリンクのプライバシを厳格に保護したグラフを生成することができる。
論文 参考訳(メタデータ) (2020-05-01T15:49:17Z)
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。