Fugu-MT 論文翻訳(概要): Federated Graph Analytics with Differential Privacy

論文の概要: Federated Graph Analytics with Differential Privacy

arxiv url: http://arxiv.org/abs/2405.20576v1
Date: Fri, 31 May 2024 02:09:43 GMT
ステータス: 処理完了
システム内更新日: 2024-06-03 15:46:08.114940
Title: Federated Graph Analytics with Differential Privacy
Title（参考訳）: 差分プライバシーを備えたフェデレーショングラフ分析
Authors: Shang Liu, Yang Cao, Takao Murakami, Weiran Liu, Seng Pei Liew, Tsubasa Takahashi, Jinfei Liu, Masatoshi Yoshikawa,
Abstract要約: 我々は、差分プライバシー下での協調グラフ分析の新しい問題であるフェデレーショングラフ分析を定義する。まず,フェデレートグラフ解析フレームワークFEATを提案する。次に、提案した次数に基づく分割アルゴリズムFEAT+に基づく最適化フレームワークを導入し、真の局所部分グラフを活用することにより、全体の有用性を向上する。
参考スコア（独自算出の注目度）: 21.518386529741615
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Collaborative graph analysis across multiple institutions is becoming increasingly popular. Realistic examples include social network analysis across various social platforms, financial transaction analysis across multiple banks, and analyzing the transmission of infectious diseases across multiple hospitals. We define the federated graph analytics, a new problem for collaborative graph analytics under differential privacy. Although differentially private graph analysis has been widely studied, it fails to achieve a good tradeoff between utility and privacy in federated scenarios, due to the limited view of local clients and overlapping information across multiple subgraphs. Motivated by this, we first propose a federated graph analytic framework, named FEAT, which enables arbitrary downstream common graph statistics while preserving individual privacy. Furthermore, we introduce an optimized framework based on our proposed degree-based partition algorithm, called FEAT+, which improves the overall utility by leveraging the true local subgraphs. Finally, extensive experiments demonstrate that our FEAT and FEAT+ significantly outperform the baseline approach by approximately one and four orders of magnitude, respectively.
Abstract（参考訳）: 複数の機関にまたがる協調グラフ分析がますます人気が高まっている。現実的な例としては、さまざまなソーシャルプラットフォームにわたるソーシャルネットワーク分析、複数の銀行間の金融取引分析、複数の病院における感染症の伝染の分析などがある。我々は、差分プライバシー下での協調グラフ分析の新しい問題であるフェデレーショングラフ分析を定義する。異なるプライベートグラフ分析は広く研究されているが、ローカルクライアントの限られた視野と複数のサブグラフにまたがる情報の重複のため、フェデレーションシナリオにおけるユーティリティとプライバシの良好なトレードオフを達成できない。そこで我々はまず,個別のプライバシを保ちながら任意のダウンストリームの共通グラフ統計データを可能にするFEATというフェデレーション付きグラフ解析フレームワークを提案する。さらに,提案した次数に基づく分割アルゴリズムFEAT+に基づく最適化フレームワークを導入する。最後に、我々のFEAT+とFEAT+は、それぞれ約1桁と4桁の精度でベースラインアプローチを著しく上回ることを示した。

関連論文リスト

Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。これらのグラフモデルと従来の協調フィルタリングモデルを比較する。ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文参考訳（メタデータ） (2023-08-01T09:31:44Z)
Privacy-Utility Trade-offs in Neural Networks for Medical Population Graphs: Insights from Differential Privacy and Graph Structure [6.103056596092126]
医療領域からの人口グラフの差分グラフニューラルネットワークについて検討する。本研究は, このDP応用分野の可能性と課題を明らかにするものである。
論文参考訳（メタデータ） (2023-07-13T13:59:54Z)
Graph Learning Across Data Silos [12.343382413705394]
本稿では,スムーズなグラフ信号からグラフトポロジを推定する問題を考える。データは分散クライアントにあり、プライバシー上の懸念などの要因により、ローカルクライアントを去ることは禁じられている。本稿では,各ローカルクライアントに対してパーソナライズされたグラフと,全クライアントに対して単一のコンセンサスグラフを共同で学習する,自動重み付き多重グラフ学習モデルを提案する。
論文参考訳（メタデータ） (2023-01-17T02:14:57Z)
Towards Consistency and Complementarity: A Multiview Graph Information Bottleneck Approach [25.40829979251883]
共有(一貫性)とビュー固有(相補性)情報をモデル化し、統合する方法は、マルチビューグラフ解析において重要な問題である。本稿では,共通表現の合意とビュー固有表現の不一致を最大化するために,MVGIB(Multiview Variational Graph Information Bottleneck)の原理を提案する。
論文参考訳（メタデータ） (2022-10-11T13:51:34Z)
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)
Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文参考訳（メタデータ） (2022-05-07T04:11:23Z)
Privatized Graph Federated Learning [57.14673504239551]
グラフによって連結された複数の単位からなるグラフフェデレーション学習を導入する。グラフ準同型摂動はアルゴリズムが微分プライベートであることを保証するためにどのように使用できるかを示す。
論文参考訳（メタデータ） (2022-03-14T13:48:23Z)
From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文参考訳（メタデータ） (2022-02-11T09:45:11Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文参考訳（メタデータ） (2020-09-30T04:59:10Z)
Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-08-03T15:00:31Z)

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。