論文の概要: VIRGOS: Secure Graph Convolutional Network on Vertically Split Data from Sparse Matrix Decomposition

• arxiv url: http://arxiv.org/abs/2502.09808v1
• Date: Thu, 13 Feb 2025 22:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 18:06:12.544804
• Title: VIRGOS: Secure Graph Convolutional Network on Vertically Split Data from Sparse Matrix Decomposition
• Title（参考訳）: VIRGOS: スパース行列分解から垂直に分割されたデータに基づくセキュアグラフ畳み込みネットワーク
• Authors: Yu Zheng, Qizhi Zhang, Lichun Li, Kai Zhou, Shan Yin,
• Abstract要約: グラフ畳み込みネットワーク(GCN)は、ソーシャル/クレディットネットワークのようなプライバシーに敏感なデータにその分析能力を適用するために重要である。 GCNにおけるグラフのスパースかつ大きな隣接行列(トレーニング/推論におけるコア操作)を乗じると、セキュアGCNのパフォーマンスボトルネックが生じる。 本稿では,マルチパーティ計算(MPC)と行列幅の共設計を提案する。
• 参考スコア（独自算出の注目度）: 10.972364935510152
• License:
• Abstract: Securely computing graph convolutional networks (GCNs) is critical for applying their analytical capabilities to privacy-sensitive data like social/credit networks. Multiplying a sparse yet large adjacency matrix of a graph in GCN--a core operation in training/inference--poses a performance bottleneck in secure GCNs. Consider a GCN with $|V|$ nodes and $|E|$ edges; it incurs a large $O(|V|^2)$ communication overhead. Modeling bipartite graphs and leveraging the monotonicity of non-zero entry locations, we propose a co-design harmonizing secure multi-party computation (MPC) with matrix sparsity. Our sparse matrix decomposition transforms an arbitrary sparse matrix into a product of structured matrices. Specialized MPC protocols for oblivious permutation and selection multiplication are then tailored, enabling our secure sparse matrix multiplication ($(SM)^2$) protocol, optimized for secure multiplication of these structured matrices. Together, these techniques take $O(|E|)$ communication in constant rounds. Supported by $(SM)^2$, we present Virgos, a secure 2-party framework that is communication-efficient and memory-friendly on standard vertically-partitioned graph datasets. Performance of Virgos has been empirically validated across diverse network conditions.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)のセキュアな計算は、ソーシャル/クレディットネットワークのようなプライバシーに敏感なデータにその分析能力を適用する上で重要である。 GCNにおけるグラフのスパースかつ大きな隣接行列(トレーニング/推論におけるコア操作)を乗じると、セキュアGCNのパフォーマンスボトルネックが生じる。 例えば、$|V|$ノードと$|E|$エッジを持つGCNを考えると、大きな$O(|V|^2)の通信オーバーヘッドが発生する。 両部グラフをモデル化し,非ゼロなエントリ位置の単調性を活用することで,セキュアなマルチパーティ計算(MPC)と行列間隔を調和させる共設計を提案する。 我々のスパース行列分解は任意のスパース行列を構造化行列の積に変換する。 次に、不規則な置換と選択乗算のための特殊なMPCプロトコルを調整し、これらの構造化行列の安全な乗算に最適化されたセキュアなスパース行列乗算((SM)^2$)プロトコルを実現する。 これらの手法を合わせて、一定のラウンドでO(|E|)$通信を行う。 $(SM)^2$でサポートされているVirgosは、標準的な垂直分割グラフデータセット上で通信効率が高く、メモリフレンドリーなセキュアな2つのフレームワークである。 Virgosの性能は様々なネットワーク条件で実証的に検証されている。

関連論文リスト

• Linear Transformer Topological Masking with Graph Random Features [52.717865653036796]
  重み付き隣接行列の学習可能な関数としてトポロジカルマスクをパラメータ化する方法を示す。 私たちの効率的なマスキングアルゴリズムは、画像およびポイントクラウドデータのタスクに対して、強力なパフォーマンス向上を提供します。
  論文  参考訳（メタデータ） (2024-10-04T14:24:06Z)
• Compute Better Spent: Replacing Dense Layers with Structured Matrices [77.61728033234233]
  画像領域における畳み込みネットワークの成功が示すように、高密度行列に対するより効率的な代替手段を同定する。 異なる構造は、しばしばパフォーマンスに不可欠な、非常に異なる初期化尺度と学習率を必要とする。 本稿では,モナール行列を含む新しい行列族Block-Trainを提案する。
  論文  参考訳（メタデータ） (2024-06-10T13:25:43Z)
• Graph Neural Networks and Applied Linear Algebra [1.8749305679160366]
  グラフニューラルネットワーク(GNN)は、スパース行列計算に適したアプローチである。 本稿では,数値線形代数オーディエンスのためのGNNを紹介する。 具体例は、GNNを用いて、どれだけの共通線型代数タスクを達成できるかを示すものである。
  論文  参考訳（メタデータ） (2023-10-21T18:37:56Z)
• A network community detection method with integration of data from multiple layers and node attributes [0.0]
  列がノードに対応し、列がデータ項目に対応しているデータマトリックスにおいて、ネットワークデータを単純な方法で表現する方法を提案する。 データ行列を圧縮するためには、非平方行列に対する正規分解法と呼ばれる拡張を提案する。 提案手法を,インターネットの自律システムグラフとワールドエアライングラフの2つの実ネットワークで説明する。
  論文  参考訳（メタデータ） (2023-05-22T13:15:36Z)
• Hybrid Model-based / Data-driven Graph Transform for Image Coding [54.31406300524195]
  予測内残差ブロックを符号化するハイブリッドモデルベース/データ駆動方式を提案する。 変換行列の最初の$K$固有ベクトルは、安定性のための非対称離散正弦変換(ADST)のような統計モデルから導かれる。 WebPをベースライン画像として使用することにより、我々のハイブリッドグラフ変換は、デフォルトの離散コサイン変換(DCT)よりもエネルギーの圧縮が良く、KLTよりも安定性がよいことを示す。
  論文  参考訳（メタデータ） (2022-03-02T15:36:44Z)
• Optimal N-ary ECOC Matrices for Ensemble Classification [1.3561997774592662]
  アンサンブル分類法における誤り訂正出力符号(ECOC)の新たな構成について述べる。 任意の素数$N$が与えられたとき、この決定論的構成は基底-$N$対称二乗行列を$M$で生成する。
  論文  参考訳（メタデータ） (2021-10-05T16:50:15Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• SLGCN: Structure Learning Graph Convolutional Networks for Graphs under Heterophily [5.619890178124606]
  本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。 具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。 幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-28T13:00:38Z)
• Why Approximate Matrix Square Root Outperforms Accurate SVD in Global Covariance Pooling? [59.820507600960745]
  本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。 提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-05-06T08:03:45Z)
• VersaGNN: a Versatile accelerator for Graph neural networks [81.1667080640009]
  我々は,超効率的なサイストリックアレイベースの多用途ハードウェアアクセラレータである textitVersaGNN を提案する。 textitVersaGNNは平均3712$times$ speedup with 1301.25$times$ energy reduction on CPU、35.4$times$ speedup with 17.66$times$ energy reduction on GPUを達成している。
  論文  参考訳（メタデータ） (2021-05-04T04:10:48Z)
• Graph Metric Learning via Gershgorin Disc Alignment [46.145969174332485]
  そこで,MathcalS$ の目的 $min_textbfM は計量行列 $textbfM$ の凸微分可能な関数である。 Gershgorinディスクは、最初のeigenvector $textbfv$ of $textbfM$を使って完全に整列可能であることを証明します。 実験により, グラフ距離行列の計算効率は, 競合手法を用いて学習した指標よりも優れていた。
  論文  参考訳（メタデータ） (2020-01-28T17:44:01Z)

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。