Fugu-MT 論文翻訳(概要): Federated Graph Learning with Structure Proxy Alignment

論文の概要: Federated Graph Learning with Structure Proxy Alignment

arxiv url: http://arxiv.org/abs/2408.09393v1
Date: Sun, 18 Aug 2024 07:32:54 GMT
ステータス: 処理完了
システム内更新日: 2024-08-20 20:59:59.062497
Title: Federated Graph Learning with Structure Proxy Alignment
Title（参考訳）: 構造プロキシアライメントを用いたフェデレーショングラフ学習
Authors: Xingbo Fu, Zihan Chen, Binchi Zhang, Chen Chen, Jundong Li,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 43.13100155569234
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Federated Graph Learning (FGL) aims to learn graph learning models over graph data distributed in multiple data owners, which has been applied in various applications such as social recommendation and financial fraud detection. Inherited from generic Federated Learning (FL), FGL similarly has the data heterogeneity issue where the label distribution may vary significantly for distributed graph data across clients. For instance, a client can have the majority of nodes from a class, while another client may have only a few nodes from the same class. This issue results in divergent local objectives and impairs FGL convergence for node-level tasks, especially for node classification. Moreover, FGL also encounters a unique challenge for the node classification task: the nodes from a minority class in a client are more likely to have biased neighboring information, which prevents FGL from learning expressive node embeddings with Graph Neural Networks (GNNs). To grapple with the challenge, we propose FedSpray, a novel FGL framework that learns local class-wise structure proxies in the latent space and aligns them to obtain global structure proxies in the server. Our goal is to obtain the aligned structure proxies that can serve as reliable, unbiased neighboring information for node classification. To achieve this, FedSpray trains a global feature-structure encoder and generates unbiased soft targets with structure proxies to regularize local training of GNN models in a personalized way. We conduct extensive experiments over four datasets, and experiment results validate the superiority of FedSpray compared with other baselines. Our code is available at https://github.com/xbfu/FedSpray.
Abstract（参考訳）: 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によるグラフ学習モデルを学習することを目的としており、社会的な推薦や金融詐欺検出といった様々な応用に応用されている。汎用フェデレートラーニング (FL) から引き継いだ FGL も同様に、クライアント間で分散グラフデータに対してラベル分布が著しく異なるような、データ不均一性の問題も抱えている。例えば、あるクライアントがクラスからほとんどのノードを持つことができ、別のクライアントが同じクラスから数ノードしか持たない場合もあります。この問題は、ノードレベルのタスク、特にノード分類において、異なる局所目的とFGL収束を損なう。さらに、FGLはノード分類タスクに固有の課題にも直面している。クライアント内の少数クラスのノードは、近隣情報に偏りがある可能性が高いため、グラフニューラルネットワーク(GNN)による表現型ノードの埋め込みを学習することができない。この課題に対処するため、我々はFedSprayという新しいFGLフレームワークを提案する。FedSprayは、潜伏空間における局所的なクラスワイドな構造的プロキシを学習し、それらを整列させてサーバ内のグローバルな構造的プロキシを得る。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。これを実現するため、FedSprayはグローバルな特徴構造エンコーダをトレーニングし、構造プロキシで非バイアスのソフトターゲットを生成し、GNNモデルの局所的なトレーニングをパーソナライズする。我々は4つのデータセットに対して広範な実験を行い、他のベースラインと比較してFedSprayの優位性を検証した。私たちのコードはhttps://github.com/xbfu/FedSpray.comから入手可能です。

関連論文リスト

Federated Graph Learning with Graphless Clients [52.5629887481768]
FGL(Federated Graph Learning)は、グラフニューラルネットワーク(GNN)などの機械学習モデルをトレーニングするタスクである。グラフレスクライアントを用いたFGLにおける問題に対処するための新しいフレームワークFedGLSを提案する。
論文参考訳（メタデータ） (2024-11-13T06:54:05Z)
FedGT: Federated Node Classification with Scalable Graph Transformer [27.50698154862779]
本稿では,スケーラブルな textbfFederated textbfGraph textbfTransformer (textbfFedGT) を提案する。 FedGTは、最適なトランスポートで整列したグローバルノードに基づいて、クライアントの類似性を計算する。
論文参考訳（メタデータ） (2024-01-26T21:02:36Z)
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)
Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文参考訳（メタデータ） (2023-12-19T18:00:15Z)
FedHGN: A Federated Framework for Heterogeneous Graph Neural Networks [45.94642721490744]
不均一グラフニューラルネットワーク(HGNN)は、従来のGNNよりも、型付きグラフデータやリレーショナルグラフデータからより効果的に学習することができる。より大きなパラメータ空間では、HGNNはより多くのトレーニングデータを必要とする可能性がある。我々は,HGNNのための新規かつ汎用的なFGLフレームワークであるFedHGNを提案する。
論文参考訳（メタデータ） (2023-05-16T18:01:49Z)
Federated Learning on Non-IID Graphs via Structural Knowledge Sharing [47.140441784462794]
フェデレーショングラフ学習(FGL)により、クライアントはプライベートデータを共有せずに、分散型で強力なGNNモデルをトレーニングできる。我々はFedStarというFGLフレームワークを提案し、グラフ間学習タスクの共通基盤構造情報を抽出し、共有する。クロスデータセットとクロスドメインのFGL設定の両方に対して広範な実験を行い、FedStarの優位性を実証した。
論文参考訳（メタデータ） (2022-11-23T15:12:16Z)
Personalized Subgraph Federated Learning [56.52903162729729]
本稿では,新たなサブグラフFL問題,パーソナライズされたサブグラフFLを導入する。本稿では,Federated Personalized sUBgraph Learning (FED-PUB)を提案する。オーバーラップしないサブグラフとオーバーラップするサブグラフの両方を考慮して,FED-PUBのサブグラフFL性能を6つのデータセットで検証した。
論文参考訳（メタデータ） (2022-06-21T09:02:53Z)
Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文参考訳（メタデータ） (2021-09-08T18:10:08Z)
FedGL: Federated Graph Learning Framework with Global Self-Supervision [22.124339267195822]
FedGLは、データプライバシを保護しながら、高品質なグローバルグラフモデルを取得することができる。グローバルなセルフスーパービジョンにより、各クライアントの情報がプライバシー保護の方法で流れて共有できます。
論文参考訳（メタデータ） (2021-05-07T11:27:23Z)

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。