Fugu-MT 論文翻訳(概要): HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning

論文の概要: HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning

arxiv url: http://arxiv.org/abs/2406.10616v1
Date: Sat, 15 Jun 2024 12:34:40 GMT
ステータス: 処理完了
システム内更新日: 2024-06-18 23:33:44.154812
Title: HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning
Title（参考訳）: HiFGL: クロスサイロなクロスデバイスフェデレーショングラフ学習のための階層的フレームワーク
Authors: Zhuoning Guo, Duanyi Yao, Qiang Yang, Hao Liu,
Abstract要約: Federated Graph Learning (FGL)は、分散グラフデータから高品質な表現を学習するための有望な方法として登場した。クロスデバイスFGLのための階層型フェデレーショングラフ学習フレームワークを提案する。具体的には、異種クライアント上でのフェデレーション付きGNNトレーニングを保護するために、統一階層型アーキテクチャを考案する。
参考スコア（独自算出の注目度）: 12.073150043485084
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated Graph Learning (FGL) has emerged as a promising way to learn high-quality representations from distributed graph data with privacy preservation. Despite considerable efforts have been made for FGL under either cross-device or cross-silo paradigm, how to effectively capture graph knowledge in a more complicated cross-silo cross-device environment remains an under-explored problem. However, this task is challenging because of the inherent hierarchy and heterogeneity of decentralized clients, diversified privacy constraints in different clients, and the cross-client graph integrity requirement. To this end, in this paper, we propose a Hierarchical Federated Graph Learning (HiFGL) framework for cross-silo cross-device FGL. Specifically, we devise a unified hierarchical architecture to safeguard federated GNN training on heterogeneous clients while ensuring graph integrity. Moreover, we propose a Secret Message Passing (SecMP) scheme to shield unauthorized access to subgraph-level and node-level sensitive information simultaneously. Theoretical analysis proves that HiFGL achieves multi-level privacy preservation with complexity guarantees. Extensive experiments on real-world datasets validate the superiority of the proposed framework against several baselines. Furthermore, HiFGL's versatile nature allows for its application in either solely cross-silo or cross-device settings, further broadening its utility in real-world FGL applications.
Abstract（参考訳）: Federated Graph Learning(FGL)は、分散グラフデータから高品質な表現をプライバシ保護によって学習する、有望な方法として登場した。 FGLはクロスデバイスあるいはクロスサイロのパラダイムの下でかなりの努力がなされているが、より複雑なクロスサイロのクロスデバイス環境でグラフ知識を効果的に捉える方法は未解決の問題のままである。しかし、このタスクは、分散化されたクライアントの固有の階層構造と不均一性、異なるクライアントにおけるプライバシー制約の多様化、クライアント間のグラフ整合性要件のために難しい。そこで本研究では,クロスデバイスFGLのための階層型フェデレーショングラフ学習(HiFGL)フレームワークを提案する。具体的には、グラフ整合性を確保しつつ、不均一なクライアント上でのフェデレーション付きGNNトレーニングを保護するために、統一階層アーキテクチャを考案する。さらに,サブグラフレベルおよびノードレベルの機密情報への不正アクセスを同時に保護するSecMP方式を提案する。理論的解析により、HiFGLは複雑性を保証するマルチレベルプライバシ保護を実現することが証明される。実世界のデータセットに関する大規模な実験は、提案したフレームワークのいくつかのベースラインに対する優位性を検証する。さらに、HiFGLの汎用性は、クロスサイロまたはクロスデバイス設定にのみ適用可能であり、実世界のFGLアプリケーションにおいてその実用性をさらに拡張する。

関連論文リスト

Against Multifaceted Graph Heterogeneity via Asymmetric Federated Prompt Learning [5.813912301780917]
本稿では,非対称なグラフ知識の伝達を効率的に行うためのフェデレートグラフプロンプト学習(FedGPL)フレームワークを提案する。我々は,FedGPLの精度と有効性を示すため,理論解析と広範囲な実験を行った。
論文参考訳（メタデータ） (2024-11-04T11:42:25Z)
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)
Federated Graph Learning with Structure Proxy Alignment [43.13100155569234]
Federated Graph Learning (FGL)は、複数のデータ所有者に分散されたグラフデータよりもグラフ学習モデルを学習することを目的としている。我々はFedSprayを提案する。FedSprayは、潜伏空間における局所的なクラスワイド構造プロキシを学習する新しいFGLフレームワークである。我々のゴールは、ノード分類のための信頼性が高く、偏りのない隣り合う情報として機能する、整列構造プロキシを得ることです。
論文参考訳（メタデータ） (2024-08-18T07:32:54Z)
SpreadFGL: Edge-Client Collaborative Federated Graph Learning with Adaptive Neighbor Generation [16.599474223790843]
Federated Graph Learning (FGL)は、分類タスクのために複数のクライアントで協調的なトレーニングを可能にすることで、広く注目を集めている。本研究では,エッジ・クライアント・コラボレーションにおける情報フローの促進を目的とした新しいFGLフレームワークSpreadFGLを提案する。本研究では,SpreadFGLが最先端のアルゴリズムに対して精度が高く,より高速な収束を実現することを示す。
論文参考訳（メタデータ） (2024-07-14T09:34:19Z)
A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文参考訳（メタデータ） (2024-06-19T22:30:08Z)
AdaFGL: A New Paradigm for Federated Node Classification with Topology Heterogeneity [44.11777886421429]
Federated Graph Learning (FGL) はグラフニューラルネットワークに基づく分散フレームワークとして注目されている。構造的非イド分割の概念を導入し、次に、UnderlineAdaptive UnderlineFederated UnderlineGraph UnderlineLearning (AdaFGL)と呼ばれる新しいパラダイムを示す。提案したAdaFGLは,コミュニティ分割の3.24%,コミュニティ分割の5.57%,非イド分割の5.57%でベースラインを上回った。
論文参考訳（メタデータ） (2024-01-22T08:23:31Z)
Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
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。
論文参考訳（メタデータ） (2023-10-31T15:34:59Z)
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)
FederatedScope-GNN: Towards a Unified, Comprehensive and Efficient Package for Federated Graph Learning [65.48760613529033]
フェデレートグラフ学習(FGL)は、その特徴と要求のため、十分にサポートされていない。まず、使い易いFGLパッケージを作成する際の課題について議論し、実装済みのFederatedScope-GNN(FS-G)を提示する。我々は,FS-Gの有効性を広範囲な実験によって検証し,同時にコミュニティにとってのFGLに関する貴重な洞察を得る。
論文参考訳（メタデータ） (2022-04-12T06:48:06Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)
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。