論文の概要: GRAND : Graph Reconstruction from potential partial Adjacency and Neighborhood Data

• arxiv url: http://arxiv.org/abs/2412.02329v2
• Date: Fri, 06 Dec 2024 14:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 12:36:23.574514
• Title: GRAND : Graph Reconstruction from potential partial Adjacency and Neighborhood Data
• Title（参考訳）: GRAND : 部分的隣接と周辺データからのグラフ再構成
• Authors: Sofiane Azogagh, Zelma Aubin Birba, Josée Desharnais, Sébastien Gambs, Marc-Olivier Killijian, Nadia Tawbi,
• Abstract要約: セキュアなマルチパーティ計算のような暗号手法は、各参加者のデータに集中することなく、分散グラフの機能のセキュアな計算に使用できる。 本稿では,グラフの隣接行列を再構成する手法を提案する。 共役行列のみを観測する2つの逆数モデルと、元のグラフの部分的知識を持つ知識のある2つのモデルを考える。
• 参考スコア（独自算出の注目度）: 4.893653298798788
• License:
• Abstract: Cryptographic approaches, such as secure multiparty computation, can be used to compute in a secure manner the function of a distributed graph without centralizing the data of each participant. However, the output of the protocol itself can leak sensitive information about the structure of the original graph. In particular, in this work we propose an approach by which an adversary observing the result of a private protocol for the computation of the number of common neighbors between all pairs of vertices, can reconstruct the adjacency matrix of the graph. In fact, this can only be done up to co-squareness, a notion we introduce, as two different graphs can have the same matrix of common neighbors. We consider two models of adversary, one who observes the common neighbors matrix only, and a knowledgeable one, that has a partial knowledge of the original graph. Our results demonstrate that secure multiparty protocols are not enough for privacy protection, especially in the context of highly structured data such as graphs. The reconstruction that we propose is interesting in itself from the point of view of graph theory.
• Abstract（参考訳）: セキュアなマルチパーティ計算のような暗号手法は、各参加者のデータに集中することなく、分散グラフの機能のセキュアな計算に使用できる。 しかし、プロトコル自体の出力は、元のグラフの構造に関する機密情報を漏洩させる可能性がある。 特に,本研究では,各頂点間の共通近傍の数を計算するためのプライベートプロトコルの結果を観察した相手が,グラフの隣接行列を再構築する手法を提案する。 実際、これはコ二乗性(英語版)(co-squareness)によってしか達成できないが、これは2つの異なるグラフが共通の近傍の行列を持つことができるからである。 共役行列のみを観測する2つの逆数モデルと、元のグラフの部分的知識を持つ知識のある2つのモデルを考える。 以上の結果から,セキュアなマルチパーティプロトコルは,特にグラフなどの高度に構造化されたデータのコンテキストにおいて,プライバシ保護には不十分であることが示唆された。 私たちが提案する再構成は、グラフ理論の観点から、それ自体が興味深い。

関連論文リスト

• PieClam: A Universal Graph Autoencoder Based on Overlapping Inclusive and Exclusive Communities [7.130067003076749]
  PieClamはグラフオートエンコーダで、任意のグラフを重複した一般化されたコミュニティとして表現する。 ここでは、PieClamは普遍的なオートエンコーダであり、任意のグラフを一様に再構築できることを示す。
  論文  参考訳（メタデータ） (2024-09-18T00:49:42Z)
• Crypto'Graph: Leveraging Privacy-Preserving Distributed Link Prediction for Robust Graph Learning [2.048226951354646]
  Crypto'Graphは、分散グラフ上のプライバシ保護リンク予測のための効率的なプロトコルである。 グラフ中毒攻撃に対する防御のために図示されており、個々のパーティのグラフのプライバシーを損なうことなく、潜在的に敵対的なリンクを特定することができる。
  論文  参考訳（メタデータ） (2023-09-19T19:30:28Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• 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)
• COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
  グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。 ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。 これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
  論文  参考訳（メタデータ） (2021-02-09T11:39:06Z)
• Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
  本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。 このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
  論文  参考訳（メタデータ） (2021-01-23T22:08:27Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• 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)
• Graph matching between bipartite and unipartite networks: to collapse, or not to collapse, that is the question [13.625395368083641]
  一致するグラフの1つが二部ネットワークであり、一方が一部ネットワークであるような共通的な設定に対処する。 本稿では,二部グラフと一部グラフのグラフマッチング問題を,非方向のグラフィカルモデルを用いて定式化する。 両部ネットワークを単部ネットワークに変換するという単純なアプローチよりも,我々の手法がより正確なマッチングを実現する方法を示す。
  論文  参考訳（メタデータ） (2020-02-05T05:24:54Z)

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。