論文の概要: Making Privacy-preserving Federated Graph Analytics with Strong Guarantees Practical (for Certain Queries)
- arxiv url: http://arxiv.org/abs/2404.01619v1
- Date: Tue, 2 Apr 2024 04:01:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-03 17:58:09.539308
- Title: Making Privacy-preserving Federated Graph Analytics with Strong Guarantees Practical (for Certain Queries)
- Title(参考訳): 強力な保証を備えたプライバシ保護フェデレーショングラフ分析(特定のクエリに対して)
- Authors: Kunlong Liu, Trinabh Gupta,
- Abstract要約: 本稿では、ネットワーク転送において、数分の時間とわずかなMIBを必要とするプライバシー保護グラフ分析システムについて、低コストで提案する。
Coloの実装と評価により、人口100万のデバイス上でさまざまなCOVID-19クエリを実行するには、デバイスのCPU時間8.4分未満、ネットワーク転送では4.93 MiBsが必要であることが示されている。
- 参考スコア(独自算出の注目度): 0.5203254931216454
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Privacy-preserving federated graph analytics is an emerging area of research. The goal is to run graph analytics queries over a set of devices that are organized as a graph while keeping the raw data on the devices rather than centralizing it. Further, no entity may learn any new information except for the final query result. For instance, a device may not learn a neighbor's data. The state-of-the-art prior work for this problem provides privacy guarantees for a broad set of queries in a strong threat model where the devices can be malicious. However, it imposes an impractical overhead: each device locally requires over 8.79 hours of cpu time and 5.73 GiBs of network transfers per query. This paper presents Colo, a new, low-cost system for privacy-preserving federated graph analytics that requires minutes of cpu time and a few MiBs in network transfers, for a particular subset of queries. At the heart of Colo is a new secure computation protocol that enables a device to securely and efficiently evaluate a graph query in its local neighborhood while hiding device data, edge data, and topology data. An implementation and evaluation of Colo shows that for running a variety of COVID-19 queries over a population of 1M devices, it requires less than 8.4 minutes of a device's CPU time and 4.93 MiBs in network transfers - improvements of up to three orders of magnitude.
- Abstract(参考訳): プライバシー保護のためのフェデレーショングラフ分析は、新たな研究分野である。
目標は、グラフ分析クエリを、グラフとして整理された一連のデバイス上で実行し、生データを集中するのではなく、デバイス上に保持することだ。
さらに、最終クエリ結果以外は、いかなるエンティティも新しい情報も学べない。
例えば、デバイスは隣人のデータを学ばないことがある。
この問題の最先端の作業は、デバイスが悪意を持つ可能性のある強力な脅威モデルにおいて、幅広いクエリのプライバシ保証を提供する。
それぞれのデバイスはローカルで8.79時間以上のCPU時間と5.73ギビットのネットワーク転送を必要とする。
本稿では,プライバシ保護のためのフェデレーショングラフ分析システムであるColoについて述べる。
Coloの中心となる新しいセキュアな計算プロトコルは、デバイスデータ、エッジデータ、トポロジデータを隠蔽しながら、デバイスがローカル近所のグラフクエリを安全かつ効率的に評価することを可能にする。
Coloの実装と評価によると、人口100万のデバイス上でさまざまなCOVID-19クエリを実行するには、デバイスのCPU時間8.4分未満、ネットワーク転送で4.93 MiB(最大3桁の改善)が必要である。
関連論文リスト
- HUGE: Huge Unsupervised Graph Embeddings with TPUs [6.108914274067702]
グラフ埋め込み(Graph Embedding)は、グラフ内のノードを連続的に表現するプロセスである。
高帯域幅メモリを利用した高性能グラフ埋め込みアーキテクチャを提案する。
実・合成大規模データセット上での埋め込み空間の品質を検証する。
論文 参考訳(メタデータ) (2023-07-26T20:29:15Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
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。
論文 参考訳(メタデータ) (2023-07-10T04:30:23Z) - GiPH: Generalizable Placement Learning for Adaptive Heterogeneous
Computing [19.354764353189758]
そこで我々は,動的デバイスクラスタに一般化するポリシを学習するGiPHという新しい学習手法を提案する。
GiPHは他の検索ベースの配置ポリシーよりも最大3倍速く、完了時間の最大30.5%で配置を見つける。
論文 参考訳(メタデータ) (2023-05-23T23:02:21Z) - Communication-Efficient Graph Neural Networks with Probabilistic
Neighborhood Expansion Analysis and Caching [59.8522166385372]
大規模グラフ上でのグラフニューラルネットワーク(GNN)のトレーニングと推論は、GNNの登場以来活発に研究されている。
本稿では,分散環境におけるノードワイドサンプリングを用いたGNNによるミニバッチ学習と推論について述べる。
分割された特徴データを扱うために,従来のSALIENTシステムを拡張したSALIENT++を提案する。
論文 参考訳(メタデータ) (2023-05-04T21:04:01Z) - GAIA: A Transfer Learning System of Object Detection that Fits Your
Needs [136.60609274344893]
大規模データセットの事前学習によるトランスファーラーニングは,コンピュータビジョンや自然言語処理において,ますます重要な役割を担っている。
本稿では,物体検出の領域に着目し,GAIAと呼ばれる移動学習システムを提案する。
GAIAは、レイテンシ制約や指定されたデータドメインなどの下流要求に適合するモデルを選択する、強力な事前訓練されたウェイトを提供することができる。
論文 参考訳(メタデータ) (2021-06-21T18:24:20Z) - Introduction to Core-sets: an Updated Survey [18.059360820527687]
機械学習問題では、ある候補解の空間上での目的関数の最小化または最大化が目的である。
従来のアルゴリズムは、無限分散ストリームの並列リアルタイム計算を必要とする現代のシステムを扱うことはできない。
この調査は、こうした構成をふりかえりとして要約し、最先端を統一し、単純化することを目的としている。
論文 参考訳(メタデータ) (2020-11-18T16:31:34Z) - Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer
Proxies [65.92826041406802]
本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。
複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。
本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-10-26T14:52:42Z) - Federated Dynamic GNN with Secure Aggregation [19.64009461103186]
マルチユーザグラフシーケンスからオブジェクト表現を学習するためにFeddy(Federated Dynamic Graph Neural Network)を導入する。
各ユーザデバイス上のローカルモデルは、ユーザのデータをサーバに公開することなく、学習を定期的に中央サーバに送信する。
論文 参考訳(メタデータ) (2020-09-15T21:04:45Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳(メタデータ) (2020-07-03T09:30:07Z) - NWPU-Crowd: A Large-Scale Benchmark for Crowd Counting and Localization [101.13851473792334]
我々は,5,109枚の画像からなる大規模集束群集NWPU-Crowdを構築し,合計2,133,375個の点と箱を付加したアノテートヘッドを構築した。
他の実世界のデータセットと比較すると、様々な照明シーンを含み、最大密度範囲 (020,033) を持つ。
本稿では,データ特性について述べるとともに,主要なSOTA(State-of-the-art)手法の性能を評価し,新たなデータに生じる問題を分析する。
論文 参考訳(メタデータ) (2020-01-10T09:26:04Z)
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。