論文の概要: Federated Graph Semantic and Structural Learning

• arxiv url: http://arxiv.org/abs/2406.18937v1
• Date: Thu, 27 Jun 2024 07:08:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 14:57:01.175805
• Title: Federated Graph Semantic and Structural Learning
• Title（参考訳）: フェデレーショングラフセマンティックと構造学習
• Authors: Wenke Huang, Guancheng Wan, Mang Ye, Bo Du,
• Abstract要約: 本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
• 参考スコア（独自算出の注目度）: 54.97668931176513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated graph learning collaboratively learns a global graph neural network with distributed graphs, where the non-independent and identically distributed property is one of the major challenges. Most relative arts focus on traditional distributed tasks like images and voices, incapable of graph structures. This paper firstly reveals that local client distortion is brought by both node-level semantics and graph-level structure. First, for node-level semantics, we find that contrasting nodes from distinct classes is beneficial to provide a well-performing discrimination. We pull the local node towards the global node of the same class and push it away from the global node of different classes. Second, we postulate that a well-structural graph neural network possesses similarity for neighbors due to the inherent adjacency relationships. However, aligning each node with adjacent nodes hinders discrimination due to the potential class inconsistency. We transform the adjacency relationships into the similarity distribution and leverage the global model to distill the relation knowledge into the local model, which preserves the structural information and discriminability of the local model. Empirical results on three graph datasets manifest the superiority of the proposed method over its counterparts.
• Abstract（参考訳）: フェデレーショングラフ学習は、非独立性と同一の分散プロパティが大きな課題の1つである分散グラフを持つグローバルグラフニューラルネットワークを協調的に学習する。 ほとんどの相対芸術は、画像や音声などの伝統的な分散タスクに焦点を当てており、グラフ構造ができない。 本稿ではまず,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 まず、ノードレベルのセマンティクスでは、異なるクラスからのノードのコントラストが有益であることに気付き、良質な識別を提供する。 同じクラスのグローバルノードに向かってローカルノードをプルし、異なるクラスのグローバルノードからプッシュします。 第二に、構造的なグラフニューラルネットワークは、固有の隣接関係のため、隣人に対して類似性を持っていると仮定する。 しかし、各ノードを隣接ノードに整列させることは、潜在的なクラス不整合による差別を妨げる。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留し、局所モデルの構造情報と識別可能性を保存する。 3つのグラフデータセットに対する実験結果から,提案手法が提案手法よりも優れていることを示す。

関連論文リスト

• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Strong Transitivity Relations and Graph Neural Networks [1.19658449368018]
  地域はグラフベースの学習において、世代を埋め込む上で重要な役割を担っている。 本稿では,トランジシティグラフニューラルネットワーク(TransGNN)について紹介する。 実世界の複数のデータセットにまたがってモデルを評価した結果,いくつかのよく知られたGNNモデルの性能が大幅に向上することが確認された。
  論文  参考訳（メタデータ） (2024-01-01T13:53:50Z)
• Contrastive Representation Learning Based on Multiple Node-centered Subgraphs [11.416941835869649]
  1つのノードは直感的にグラフ全体から複数のノード中心のサブグラフを持つ。 本稿では,グラフ上のノード表現を自己教師付きで学習するための,複数のノード中心部分グラフのコントラスト表現学習法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T04:04:09Z)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
  グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。 本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。 本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-05T10:46:11Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Node-wise Localization of Graph Neural Networks [52.04194209002702]
  グラフニューラルネットワーク(GNN)は、グラフ上の表現学習モデルの強力なファミリーとして出現する。 グラフのグローバルな側面とローカルな側面の両方を考慮し,GNNのノードワイドなローカライゼーションを提案する。 我々は,4つのベンチマークグラフに対して広範な実験を行い,最先端のGNNを超える有望な性能を継続的に獲得する。
  論文  参考訳（メタデータ） (2021-10-27T10:02:03Z)
• 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)
• Self-Supervised Graph Representation Learning via Global Context Prediction [31.07584920486755]
  本稿では,データ自体による自然監督を利用して,グラフ表現学習のための新たな自己教師型戦略を提案する。 グラフ内のノードのペアをランダムに選択し、よく設計されたニューラルネットをトレーニングし、一方のノードのコンテキスト位置を他方と相対的に予測する。 我々の仮説は、そのようなグラフ内コンテキストから得られた表現はグラフのグローバルなトポロジーを捉え、ノード間の類似性と区別を微妙に特徴づける、というものである。
  論文  参考訳（メタデータ） (2020-03-03T15:46:01Z)

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。