論文の概要: PSGraph: Differentially Private Streaming Graph Synthesis by Considering Temporal Dynamics

• arxiv url: http://arxiv.org/abs/2412.11369v1
• Date: Mon, 16 Dec 2024 01:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:53:42.351867
• Title: PSGraph: Differentially Private Streaming Graph Synthesis by Considering Temporal Dynamics
• Title（参考訳）: PSGraph:時相ダイナミクスを考慮した微分プライベートストリーミンググラフ合成
• Authors: Quan Yuan, Zhikun Zhang, Linkang Du, Min Chen, Mingyang Sun, Yunjun Gao, Michael Backes, Shibo He, Jiming Chen,
• Abstract要約: PSGraphは、時間的ダイナミクスを統合する、微分的にプライベートなストリーミンググラフ合成フレームワークである。 5つの一般的なメトリクスで4つの実世界のデータセットを広範囲に実験する。
• 参考スコア（独自算出の注目度）: 44.20679199091393
• License:
• Abstract: Streaming graphs are ubiquitous in daily life, such as evolving social networks and dynamic communication systems. Due to the sensitive information contained in the graph, directly sharing the streaming graphs poses significant privacy risks. Differential privacy, offering strict theoretical guarantees, has emerged as a standard approach for private graph data synthesis. However, existing methods predominantly focus on static graph publishing, neglecting the intrinsic relationship between adjacent graphs, thereby resulting in limited performance in streaming data publishing scenarios. To address this gap, we propose PSGraph, the first differentially private streaming graph synthesis framework that integrates temporal dynamics. PSGraph adaptively adjusts the privacy budget allocation mechanism by analyzing the variations in the current graph compared to the previous one for conserving the privacy budget. Moreover, PSGraph aggregates information across various timestamps and adopts crucial post-processing techniques to enhance the synthetic streaming graphs. We conduct extensive experiments on four real-world datasets under five commonly used metrics. The experimental results demonstrate the superiority of PSGraph.
• Abstract（参考訳）: ストリーミンググラフは、進化するソーシャルネットワークや動的通信システムなど、日常生活においてユビキタスである。 グラフに含まれるセンシティブな情報のため、ストリーミンググラフを直接共有することは、重大なプライバシー上のリスクをもたらす。 厳密な理論的保証を提供する差分プライバシーは、プライベートグラフデータ合成の標準アプローチとして現れている。 しかし、既存の手法は主に静的グラフパブリッシングに重点を置いており、隣接するグラフ間の本質的な関係を無視しているため、ストリーミングデータパブリッシングのシナリオではパフォーマンスが制限される。 このギャップに対処するために,時相力学を統合した最初の微分プライベートなストリーミンググラフ合成フレームワークPSGraphを提案する。 PSGraphは、現在のグラフの変動を分析することにより、プライバシ予算の割り当て機構を、プライバシ予算を保存するための以前のものと比較して適応的に調整する。 さらに、PSGraphは様々なタイムスタンプに情報を集約し、合成ストリーミンググラフを強化するために重要な後処理技術を採用する。 5つの一般的なメトリクスで4つの実世界のデータセットを広範囲に実験する。 実験の結果,PSGraphの優位性が示された。

関連論文リスト

• Adaptive Sparsified Graph Learning Framework for Vessel Behavior Anomalies [3.3711670942444014]
  グラフニューラルネットワークは、正確なインタラクションを学習するための強力なツールとして登場した。 本稿では,エッジをタイムスタンプノードとしてモデル化した革新的なグラフ表現を提案する。 この設定は、グラフの間隔を保ちながら空間的相互作用をキャプチャするマルチシップグラフを構築するために拡張される。
  論文  参考訳（メタデータ） (2025-02-20T02:01:40Z)
• A Deep Probabilistic Framework for Continuous Time Dynamic Graph Generation [4.568104644312763]
  このアプローチを連続時間動的グラフの生成フレームワークであるDG-Genとして定式化する。 実験により,DG-Genは従来の手法に比べて高忠実度グラフを生成するだけでなく,リンク予測タスクも大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-12-20T05:34:11Z)
• 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)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• 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)
• Modeling and Mining Multi-Aspect Graphs With Scalable Streaming Tensor Decomposition [1.5609988622100528]
  静的および動的マルチアスペクトグラフをマイニングするための新しい手法を提案する。 目標は、データのテンソル構造を利用して、ノード間のコヒーレントなコミュニティとパターンを特定することである。 グラフが動的に進化するにつれて、分解を再計算することなく、データのストリーミング更新を扱うことに重点を置いています。
  論文  参考訳（メタデータ） (2022-10-10T02:26:00Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Principle of Relevant Information for Graph Sparsification [27.54740921723433]
  グラフスペーシフィケーションは、グラフの構造的特性を維持しながら、グラフのエッジ数を減らすことを目的としている。 我々は、関係情報原理(PRI)から着想を得て、グラフスカラー化の汎用的で効果的な情報理論の定式化を提案する。 本稿では,グラフスペーシフィケーション,グラフ正規化マルチタスク学習,医用画像由来の脳ネットワーク分類の3つの応用例を示す。
  論文  参考訳（メタデータ） (2022-05-31T21:00:42Z)
• Distributed Graph Learning with Smooth Data Priors [61.405131495287755]
  本稿では,ノード上の信号観測からグラフを推論する分散グラフ学習アルゴリズムを提案する。 この結果から,分散手法は,推定グラフの精度を損なうことなく,集中型アルゴリズムよりも通信コストが低いことがわかった。
  論文  参考訳（メタデータ） (2021-12-11T00:52:02Z)

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。