論文の概要: MapComp: A Secure View-based Collaborative Analytics Framework for Join-Group-Aggregation

• arxiv url: http://arxiv.org/abs/2408.01246v5
• Date: Tue, 28 Oct 2025 03:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 17:50:19.942681
• Title: MapComp: A Secure View-based Collaborative Analytics Framework for Join-Group-Aggregation
• Title（参考訳）: MapComp: グループアグリゲーションのためのセキュアなビューベースの協調分析フレームワーク
• Authors: Xinyu Peng, Feng Han, Li Peng, Weiran Liu, Zheng Yan, Kai Kang, Xinyuan Zhang, Guoxing Wei, Jianling Sun, Jinfei Liu, Lin Qu,
• Abstract要約: JGA(Join-group-aggregation)クエリはデータ分析の基本だが、共同で実行すると重大なプライバシーリスクが生じる。 本稿では、セキュアな協調分析のためのJGAクエリを容易にするビューベースの新しいフレームワークであるMapCompを紹介する。 我々の研究は、マテリアライズドビューを使ったセキュアな協調JGAクエリを高速化する最初の取り組みである。
• 参考スコア（独自算出の注目度）: 22.077692645247396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Join-group-aggregation (JGA) queries are fundamental to data analytics, yet executing them collaboratively across different parties poses significant privacy risks. Secure multi-party computation (MPC) offers a cryptographic solution. However, existing MPC-based JGA approaches consider only a one-time query paradigm and suffer from significant performance bottlenecks. It executes expensive join operations from scratch across multiple queries and employs inefficient group-aggregation (GA) protocols, both of which hinder their practical use for scalable, real-time analysis. This paper introduces MapComp, a novel view-based framework to facilitate JGA queries for secure collaborative analytics. Through specially crafted materialized views for join and novel design of GA protocols, MapComp removes duplicate join workload and expedites subsequent GA, improving the efficiency of JGA query execution. To address the challenge of continuous data updates, our materialized view offers payload-independence feature and provides significant efficiency improvements in view refreshing with free MPC overhead. This feature, on the other hand, also allows further acceleration for GA, where we devise multiple novel protocols that outperform prior works. Notably, our work represents the first endeavor to expedite secure collaborative JGA queries using materialized views. Our rigorous experiments demonstrate a significant advantage of MapComp, achieving up to a 308.9x improvement in efficiency over the baseline in real-world query simulations. Moreover, our optimized GA protocols achieve up to a 1140.5x improvement compared to prior oblivious sorting-based solutions.
• Abstract（参考訳）: JGA(Join-group-aggregation)クエリは、データ分析の基本であるが、異なるパーティ間で協調して実行すると、重大なプライバシーリスクが発生する。 セキュアなマルチパーティ計算(MPC)は暗号化ソリューションを提供する。 しかし、既存のMPCベースのJGAアプローチでは、一度のクエリパラダイムのみを考慮し、パフォーマンスの重大なボトルネックに悩まされている。 複数のクエリでスクラッチから高価な結合操作を実行し、非効率なグループ集約(GA)プロトコルを採用しています。 本稿では、セキュアな協調分析のためのJGAクエリを容易にするビューベースの新しいフレームワークであるMapCompを紹介する。 GAプロトコルの結合と新規設計のための特別に製作された実体化されたビューを通じて、MapCompは重複したジョインのワークロードを排除し、その後のGAを高速化し、JGAクエリの実行効率を向上する。 継続的データ更新の課題に対処するため、当社のマテリアライズドビューはペイロード独立機能を提供し、無料のMPCオーバーヘッドによるビューリフレッシュの大幅な効率向上を提供します。 一方、この機能はGAのさらなる加速を可能にし、前処理よりも優れた複数の新しいプロトコルを考案します。 特に、本研究は、マテリアライズドビューを使ったセキュアなJGAクエリを高速化する最初の取り組みである。 我々の厳密な実験はMapCompの大きな利点を示し、実世界のクエリシミュレーションにおいて、ベースラインよりも308.9倍の効率向上を実現している。 さらに, 最適化されたGAプロトコルは, 従来からあるソート方式に比べて最大1140.5倍の改善を実現している。

関連論文リスト

• A Query-Aware Multi-Path Knowledge Graph Fusion Approach for Enhancing Retrieval-Augmented Generation in Large Language Models [3.0748861313823]
  QMKGFはクエリ対応マルチパス知識グラフフュージョンアプローチであり、検索拡張生成を促進する。 我々はプロンプトテンプレートを設計し、汎用LLMを用いてエンティティや関係を抽出する。 本稿では, ワンホップ関係, マルチホップ関係, 重要度に基づく関係を組み込んだマルチパスサブグラフ構築戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-07T02:22:54Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価する統一的なフレームワークを提案し,二重埋め込みとデコーダ設計がリンクの有向予測性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• Beyond Adapter Retrieval: Latent Geometry-Preserving Composition via Sparse Task Projection [22.748835458594744]
  本稿では,検索を超越したアダプタ再利用のための新しいフレームワークを提案する。 我々は,各タスクを潜在プロトタイプベクトルで表現し,対象タスクのプロトタイプを,検索した参照プロトタイプの疎線形結合として近似することを目的とする。 結果として得られる組み合わせ重量は、対応するLoRAアダプタをブレンドするために使用され、ターゲットタスクに合わせて調整された複合アダプタが生成される。
  論文  参考訳（メタデータ） (2024-10-13T16:28:38Z)
• A Relation-Interactive Approach for Message Passing in Hyper-relational Knowledge Graphs [0.0]
  本稿では,ReSaEと呼ばれるグローバルな関係構造認識能力を備えたメッセージパス方式のグラフエンコーダを提案する。 実験により、ReSaEは複数のリンク予測ベンチマークで最先端の性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-02-23T06:55:04Z)
• SGTR+: End-to-end Scene Graph Generation with Transformer [42.396971149458324]
  シーングラフ生成(SGG)は、その構成特性のため、困難な視覚的理解課題である。 これまでのほとんどの作業ではボトムアップ、2段階またはポイントベースの1段階のアプローチを採用していた。 本稿では、上記の問題に対処する新しいSGG法を提案し、そのタスクを二部グラフ構築問題として定式化する。
  論文  参考訳（メタデータ） (2024-01-23T15:18:20Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Pair then Relation: Pair-Net for Panoptic Scene Graph Generation [54.92476119356985]
  Panoptic Scene Graph (PSG) は、ボックスの代わりにパン光学セグメンテーションを使用して、より包括的なシーングラフ表現を作成することを目的としている。 現在のPSGメソッドは性能が限られており、下流のタスクやアプリケーションを妨げる。 Pair then Relation (Pair-Net) - Pair Proposal Network (PPN) を用いて、対象と対象間の疎対関係を学習・フィルタリングする。
  論文  参考訳（メタデータ） (2023-07-17T17:58:37Z)
• Efficient Match Pair Retrieval for Large-scale UAV Images via Graph Indexed Global Descriptor [9.402103660431791]
  本稿では,効率的なマッチングペア検索手法を提案し,並列SfM再構成のための統合ワークフローを実装した。 提案手法は3つの大規模データセットを用いて検証されている。
  論文  参考訳（メタデータ） (2023-07-10T12:41:55Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• New Frontiers in Graph Autoencoders: Joint Community Detection and Link Prediction [27.570978996576503]
  リンク予測(LP)の強力な方法として,グラフオートエンコーダ(GAE)と変分グラフオートエンコーダ(VGAE)が登場した。 特にノード機能がない場合、GAEとVGAEでCDをどの程度改善できるかは不明である。 これら2つのタスクを高い精度で共同で処理することは可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-16T15:26:56Z)
• ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
  粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。 これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。 種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-09-25T13:05:33Z)
• Principal Geodesic Analysis of Merge Trees (and Persistence Diagrams) [8.430851504111585]
  本稿では,共有メモリ並列性を利用した効率的な反復アルゴリズムと,適合エネルギー勾配の解析式を導入する。 我々は,2つの典型的なPCAアプリケーションを統合することで,コントリビューションの有用性を示す。 MT-PGAベースの最初の2方向を利用して2次元レイアウトを生成する次元削減フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-22T09:17:22Z)
• Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
  Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。 まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。 次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
  論文  参考訳（メタデータ） (2022-03-18T09:14:13Z)
• Target Adaptive Context Aggregation for Video Scene Graph Generation [36.669700084337045]
  本稿では,映像シーングラフ生成(VidSGG)の課題を扱う。 複雑な低レベルエンティティ追跡から関係予測のためのコンテキストモデリングを分離することにより,この課題に対する新しい Em 検出-追跡パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-08-18T12:46:28Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Graph Convolution Machine for Context-aware Recommender System [59.50474932860843]
  グラフ畳み込みの利点を文脈認識推薦システム(CARS)に拡張する。 我々は、エンコーダ、グラフ畳み込み層、デコーダの3つのコンポーネントからなるエンドツーエンドフレームワークである textitGraph Convolution Machine (GCM) を提案する。 我々はYelpとAmazonの3つの実世界のデータセットで実験を行い、GCMの有効性とCARSのためのグラフ畳み込みの利点を検証する。
  論文  参考訳（メタデータ） (2020-01-30T15:32:08Z)

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。