論文の概要: Toward Personalized Federated Node Classification in One-shot Communication

• arxiv url: http://arxiv.org/abs/2411.11304v1
• Date: Mon, 18 Nov 2024 05:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:28:26.529557
• Title: Toward Personalized Federated Node Classification in One-shot Communication
• Title（参考訳）: ワンショットコミュニケーションにおける個人化フェデレーションノード分類に向けて
• Authors: Guochen Yan, Xunkai Li, Luyuan Xie, Wentao Zhang, Qingni Shen, Yuejian Fang, Zhonghai Wu,
• Abstract要約: ワンショットフェデレートラーニング(OFL)は、単一のコミュニケーションラウンドでのコラボレーションを可能にし、通信コストと潜在的なセキュリティ上の懸念を大幅に低減します。 ノード分類のための一括パーソナライズされたフェデレーショングラフ学習手法を最初に提案する。 本研究では,グローバルな擬似グラフからのローカルデータとグローバル情報からの個人情報を適応的に活用するための2段階個別学習を提案する。
• 参考スコア（独自算出の注目度）: 27.325478113745206
• License:
• Abstract: Federated Graph Learning (FGL) has become a promising paradigm for collaborative training with distributed and private graph data. One-shot Federated Learning (OFL) enables collaboration in a single communication round to largely reduce communication costs and potential security concerns. However, existing OFL methods are not designed for graph data and existing FGL methods are ineffective within one communication round under both data and model heterogeneity. To mitigate this gap, we are the first to propose a one-shot personalized federated graph learning method for node classification, which is also compatible with the Secure Aggregation scheme. We estimate and aggregate the statistics of class-wise feature distribution to generate a global pseudo-graph on the server, which could be used to train a global graph model. Furthermore, We reveal the under-explored problem of existing personalized FGL methods that their personalized models are biased and neglect the ability to generalize to minorities. To achieve better personalization and generalization simultaneously, we propose a two-stage personalized training to adaptively utilize the personal information from local data and global information from the global pseudo-graph. Comprehensive experiments on 8 multi-scale graph datasets under different partitions with various settings demonstrate our superior performance over state-of-the-art baselines.
• Abstract（参考訳）: Federated Graph Learning(FGL)は、分散グラフデータとプライベートグラフデータとの協調トレーニングにおいて、有望なパラダイムとなっている。 ワンショットフェデレートラーニング(OFL)は、単一のコミュニケーションラウンドでのコラボレーションを可能にし、通信コストと潜在的なセキュリティ上の懸念を大幅に低減します。 しかし、既存のOFL法はグラフデータのために設計されておらず、既存のFGL法はデータとモデルの不均一性の両方の下で1回の通信ラウンドで有効ではない。 このギャップを緩和するため,我々はまず,セキュアアグリゲーション方式と互換性のあるノード分類のための一括パーソナライズされたグラフ学習手法を提案する。 我々は,クラスワイドな特徴分布の統計を推定し,サーバ上でグローバルな擬似グラフを生成する。 さらに、従来のパーソナライズされたFGL手法では、パーソナライズされたモデルが偏りがあり、マイノリティに一般化する能力を無視しているという未解決の問題を明らかにする。 より優れたパーソナライズと一般化を実現するために,グローバルな擬似グラフからのローカルデータとグローバル情報からの個人情報を適応的に活用するための2段階のパーソナライズドトレーニングを提案する。 様々な設定で分割された8つのマルチスケールグラフデータセットに関する総合的な実験は、最先端のベースラインよりも優れた性能を示している。

関連論文リスト

• Communication-Efficient Personalized Federal Graph Learning via Low-Rank Decomposition [18.99572321624751]
  通信効率の高いグラフ学習アルゴリズムであるCEFGLを提案する。 提案手法は,モデルパラメータを低ランクなジェネリックモデルとスパースなプライベートモデルに分解する。 局所的な知識をパーソナライズされた方法で学習するために,デュアルチャネルエンコーダを用いる。
  論文  参考訳（メタデータ） (2024-12-18T02:26:07Z)
• GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation [13.317620250521124]
  ソースコードのないドメイン適応は、現実世界で多くのアプリケーションを含むため、重要な機械学習トピックである。 最近のグラフニューラルネットワーク(GNN)アプローチは、ドメインシフトとラベルの不足により、パフォーマンスが著しく低下する可能性がある。 本稿では, ソースフリーなグラフドメイン適応に適した Jigsaw (GALA) を用いたグラフ拡散に基づくアライメント法を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:32:46Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Contrastive Graph Few-Shot Learning [67.01464711379187]
  グラフマイニングタスクのためのコントラストグラフFew-shot Learningフレームワーク(CGFL)を提案する。 CGFLは、データ表現を自己管理的に学習し、分散シフトの影響を緩和し、より良い一般化を行う。 総合的な実験により、CGFLはいくつかのグラフマイニングタスクにおいて最先端のベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-30T20:40:23Z)
• Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
  グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。 我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。 本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
  論文  参考訳（メタデータ） (2022-09-08T16:20:25Z)
• 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)
• Tackling the Local Bias in Federated Graph Learning [48.887310972708036]
  フェデレーショングラフ学習(FGL)では、グローバルグラフは異なるクライアントに分散し、各クライアントがサブグラフを保持する。 既存のFGL手法では、クロスクライアントエッジを効果的に活用できず、トレーニング中に構造情報が失われる。 集中型環境で訓練されたモデルと類似した局所モデルを作成するための新しいFGLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-22T08:22:36Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• 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。