Fugu-MT 論文翻訳(概要): Private Information Retrieval on Multigraph-Based Replicated Storage

論文の概要: Private Information Retrieval on Multigraph-Based Replicated Storage

arxiv url: http://arxiv.org/abs/2501.17845v1
Date: Wed, 29 Jan 2025 18:48:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-30 22:32:42.700117
Title: Private Information Retrieval on Multigraph-Based Replicated Storage
Title（参考訳）: 多重グラフ型レプリケーションストレージにおけるプライベート情報検索
Authors: Shreya Meel, Xiangliang Kong, Thomas Jacob Maranzatto, Itzhak Tamo, Sennur Ulukus,
Abstract要約: 多重グラフを用いた複製システムにおけるプライベート情報検索問題について考察する。我々の目標は、$r$-multigraphのPIR容量の上下境界を確立することです。
参考スコア（独自算出の注目度）: 39.51026717015587
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the private information retrieval (PIR) problem for a multigraph-based replication system, where each set of $r$ files is stored on two of the servers according to an underlying $r$-multigraph. Our goal is to establish upper and lower bounds on the PIR capacity of the $r$-multigraph. Specifically, we first propose a construction for multigraph-based PIR systems that leverages the symmetry of the underlying graph-based PIR scheme, deriving a capacity lower bound for such multigraphs. Then, we establish a general upper bound using linear programming, expressed as a function of the underlying graph parameters. Our bounds are demonstrated to be tight for PIR systems on multipaths for even number of vertices.
Abstract（参考訳）: 我々は,各$r$ファイルの集合が,基礎となる$r$-multigraphに従って2つのサーバに格納されるマルチグラフベースのレプリケーションシステムにおけるプライベート情報検索(PIR)問題を考察する。我々の目標は、$r$-multigraphのPIR容量の上下境界を確立することです。具体的には、まず、基礎となるグラフベースのPIRスキームの対称性を利用するマルチグラフベースのPIRシステムの構築を提案し、そのようなマルチグラフに対するキャパシティローバウンドを導出する。次に,基礎となるグラフパラメータの関数として表現される線形プログラミングを用いて,一般上界を確立する。我々の境界は、偶数の頂点に対して多重パス上のPIR系に対して厳密であることを示す。

関連論文リスト

New Capacity Bounds for PIR on Graph and Multigraph-Based Replicated Storage [39.51026717015587]
グラフベースおよびマルチグラフベースの複製システムにおけるプライベート情報検索(PIR)の問題について検討する。このような系に対するPIR容量の上限を導出し、これらの境界に近づくPIRスキームを構築する。
論文参考訳（メタデータ） (2025-04-29T16:05:42Z)
Lightweight yet Efficient: An External Attentive Graph Convolutional Network with Positional Prompts for Sequential Recommendation [8.49353541052153]
本稿では,逐次的推薦,すなわちEA-GPSのための位置推定プロンプトを備えた外部注意グラフ畳み込みネットワークを提案する。提案したEA-GPSは最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-02-21T09:34:31Z)
What Are Good Positional Encodings for Directed Graphs? [13.076497906728333]
我々は、有向グラフに対するウォークカウントシーケンスの一般化であるウォークプロファイルの概念を導入する。磁気ラプラシアン固有ベクトル系PEを拡張した新しいマルチq磁気ラプラシアンPEを提案する。提案するPEの表現性を検証し,ネットワークのソート性向上に有効であることを示す。
論文参考訳（メタデータ） (2024-07-30T15:38:14Z)
MS-IMAP -- A Multi-Scale Graph Embedding Approach for Interpretable Manifold Learning [1.8124328823188354]
本稿では,スペクトルグラフウェーブレットに基づくマルチスケールグラフネットワークの埋め込みフレームワークを提案する。グラフ上のパリー・ウィーナー空間において、スペクトルグラフウェーブレット作用素は滑らかさよりも柔軟性と制御性が高いことを示す。提案した埋め込みのさらなる利点は、埋め込みと入力特徴空間の対応性を確立する能力である。
論文参考訳（メタデータ） (2024-06-04T20:48:33Z)
Simple Multigraph Convolution Networks [49.19906483875984]
既存のマルチグラフ畳み込み法では、複数のグラフ間のクロスビューの相互作用を無視するか、あるいは標準的なクロスビュー演算子によって非常に高い計算コストが生じる。本稿では,まずエッジレベルやサブグラフレベルのトポロジを含むマルチグラフから一貫したクロスビュートポロジを抽出し,その後,生のマルチグラフと一貫したトポロジに基づいて拡張を行う,シンプルなマルチ畳み込みネットワーク(SMGCN)を提案する。理論上、SMGCNは標準的なクロスビュー拡張ではなく、一貫した拡張のトポロジを利用して、信頼性の高いクロスビュー空間メッセージパッシングを行い、標準拡張の複雑さを効果的に低減する。
論文参考訳（メタデータ） (2024-03-08T03:27:58Z)
Maximum Independent Set: Self-Training through Dynamic Programming [56.670639478539485]
本研究では、動的プログラミング(DP)にインスパイアされた最大独立集合(MIS)問題を解決するグラフニューラルネットワーク(GNN)フレームワークを提案する。 GNNをベースとしたDPライクな再帰アルゴリズムを提案し、まず2つの小さなサブグラフを構築し、より大きなMISを持つサブグラフを予測し、次に再帰呼び出しを行う。 MISサイズに関する異なるグラフの比較を注釈付けすると、自己学習プロセスが発生し、比較をより正確に自己アノテーションし、その逆も引き起こされる。
論文参考訳（メタデータ） (2023-10-28T10:58:25Z)
Multi-Granularity Graph Pooling for Video-based Person Re-Identification [14.943835935921296]
ビデオサンプルの時間的特徴と空間的特徴を集約するためにグラフニューラルネットワーク(GNN)が導入された。 STGCNのような既存のグラフベースのモデルは、グラフ表現を得るためにノード機能でtextitmean/textitmaxプールを実行する。ビデオ検索のための多粒度グラフ表現を学習するためのグラフプーリングネットワーク(GPNet)を提案する。
論文参考訳（メタデータ） (2022-09-23T13:26:05Z)
Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文参考訳（メタデータ） (2022-09-23T00:33:04Z)
MultiSAGE: a multiplex embedding algorithm for inter-layer link prediction [0.0]
MultiSAGEはGraphSAGEアルゴリズムの一般化であり、複数のネットワークを埋め込むことができる。我々は、MultiSAGEが層内接続と層間接続の両方を再構築でき、GraphSAGEより優れていることを示す。
論文参考訳（メタデータ） (2022-06-24T08:50:55Z)
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)
MultiBiSage: A Web-Scale Recommendation System Using Multiple Bipartite Graphs at Pinterest [53.3951260443916]
グラフ畳み込みネットワーク(GCN)はグラフ構造とノードの特徴を効率的に統合し、高品質なノード埋め込みを学習する。 Pinterestでは、Pin-Boardグラフからピン埋め込みを学習するデータ効率のGCNであるPinSageを開発し、デプロイしました。多様な相互作用を捉えたグラフ上でディープラーニングモデルをトレーニングすることで、高品質なピン埋め込みを学習できることを示す。
論文参考訳（メタデータ） (2022-05-21T20:04:46Z)

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。