論文の概要: FedSSP: Federated Graph Learning with Spectral Knowledge and Personalized Preference

• arxiv url: http://arxiv.org/abs/2410.20105v1
• Date: Sat, 26 Oct 2024 07:09:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:23:05.044910
• Title: FedSSP: Federated Graph Learning with Spectral Knowledge and Personalized Preference
• Title（参考訳）: FedSSP: スペクトル知識とパーソナライズされた選好によるフェデレーショングラフ学習
• Authors: Zihan Tan, Guancheng Wan, Wenke Huang, Mang Ye,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.796411806840087
• License:
• Abstract: Personalized Federated Graph Learning (pFGL) facilitates the decentralized training of Graph Neural Networks (GNNs) without compromising privacy while accommodating personalized requirements for non-IID participants. In cross-domain scenarios, structural heterogeneity poses significant challenges for pFGL. Nevertheless, previous pFGL methods incorrectly share non-generic knowledge globally and fail to tailor personalized solutions locally under domain structural shift. We innovatively reveal that the spectral nature of graphs can well reflect inherent domain structural shifts. Correspondingly, our method overcomes it by sharing generic spectral knowledge. Moreover, we indicate the biased message-passing schemes for graph structures and propose the personalized preference module. Combining both strategies, we propose our pFGL framework FedSSP which Shares generic Spectral knowledge while satisfying graph Preferences. Furthermore, We perform extensive experiments on cross-dataset and cross-domain settings to demonstrate the superiority of our framework. The code is available at https://github.com/OakleyTan/FedSSP.
• Abstract（参考訳）: パーソナライズドフェデレーショングラフラーニング(pFGL)は、非IID参加者のパーソナライズされた要件を調整しながら、プライバシを損なうことなく、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。 クロスドメインのシナリオでは、構造的不均一性はpFGLに重大な課題をもたらす。 しかしながら、従来のpFGL法は、世界的な非ジェネリックな知識を誤って共有し、ドメイン構造シフトの下でパーソナライズされたソリューションを局所的にカスタマイズすることができない。 我々は、グラフのスペクトルの性質が固有の領域構造シフトを十分に反映できることを革新的に明らかにする。 それに対応して,本手法は一般的なスペクトル知識を共有することによってこれを克服する。 さらに、グラフ構造に対するバイアス付きメッセージパッシング方式を示し、パーソナライズされた選好モジュールを提案する。 両戦略を組み合わせることで,グラフの優先度を満足しながらジェネリックスペクトル知識を共有するpFGLフレームワークであるFedSSPを提案する。 さらに、クロスデータセットおよびクロスドメイン設定に関する広範な実験を行い、フレームワークの優位性を実証する。 コードはhttps://github.com/OakleyTan/FedSSPで入手できる。

関連論文リスト

• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• 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)
• 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)
• HiFGL: A Hierarchical Framework for Cross-silo Cross-device Federated Graph Learning [12.073150043485084]
  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。
  論文  参考訳（メタデータ） (2024-06-15T12:34:40Z)
• 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)
• 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)
• 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)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)

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。