論文の概要: Efficient and Privacy-Preserved Link Prediction via Condensed Graphs
- arxiv url: http://arxiv.org/abs/2503.12156v1
- Date: Sat, 15 Mar 2025 14:54:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 15:59:32.530664
- Title: Efficient and Privacy-Preserved Link Prediction via Condensed Graphs
- Title（参考訳）: 凝縮グラフによる効率的かつプライバシ保護されたリンク予測
- Authors: Yunbo Long, Liming Xu, Alexandra Brintrup,
- Abstract要約: 本稿では,HyDROtextsuperscript+について紹介する。
提案手法は,従来のネットワーク上でのリンク予測と比較して,約20*高速なトレーニングを実現し,ストレージ要求を452*削減する。
- 参考スコア（独自算出の注目度）: 49.898152180805454
- License:
- Abstract: Link prediction is crucial for uncovering hidden connections within complex networks, enabling applications such as identifying potential customers and products. However, this research faces significant challenges, including concerns about data privacy, as well as high computational and storage costs, especially when dealing with large-scale networks. Condensed graphs, which are much smaller than the original graphs while retaining essential information, has become an effective solution to both maintain data utility and preserve privacy. Existing methods, however, initialize synthetic graphs through random node selection without considering node connectivity, and are mainly designed for node classification tasks. As a result, their potential for privacy-preserving link prediction remains largely unexplored. We introduce HyDRO\textsuperscript{+}, a graph condensation method guided by algebraic Jaccard similarity, which leverages local connectivity information to optimize condensed graph structures. Extensive experiments on four real-world networks show that our method outperforms state-of-the-art methods and even the original networks in balancing link prediction accuracy and privacy preservation. Moreover, our method achieves nearly 20* faster training and reduces storage requirements by 452*, as demonstrated on the Computers dataset, compared to link prediction on the original networks. This work represents the first attempt to leverage condensed graphs for privacy-preserving link prediction information sharing in real-world complex networks. It offers a promising pathway for preserving link prediction information while safeguarding privacy, advancing the use of graph condensation in large-scale networks with privacy concerns.
- Abstract（参考訳）: リンク予測は、複雑なネットワーク内の隠れたコネクションを明らかにするために重要であり、潜在的な顧客や製品を特定するなどのアプリケーションを可能にする。
しかし、この研究は、特に大規模ネットワークを扱う場合、データプライバシに関する懸念や、高い計算とストレージコストなど、重大な課題に直面している。
重要な情報を保持しながら元のグラフよりもはるかに小さい凝縮グラフは、データユーティリティの維持とプライバシの保護の両方に有効なソリューションとなっている。
しかし、既存の手法ではノード接続を考慮せずにランダムノード選択によって合成グラフを初期化しており、主にノード分類タスクのために設計されている。
その結果、プライバシ保護リンク予測の可能性はほとんど解明されていない。
本稿では、局所接続情報を活用して縮合されたグラフ構造を最適化する、代数的ジャカード類似性によって導かれるグラフ縮合法HyDRO\textsuperscript{+}を紹介する。
4つの実世界のネットワークに対する大規模な実験により,我々の手法は,リンク予測精度とプライバシ保護のバランスをとる上で,最先端の手法,さらにはオリジナルのネットワークよりも優れていることが示された。
さらに,本手法は,従来のネットワーク上でのリンク予測と比較して,約20*の高速化を実現し,ストレージ要求を452*削減する。
この研究は、実世界の複雑なネットワークにおけるプライバシー保護リンク予測情報共有に凝縮グラフを活用する最初の試みである。
プライバシを保護しながらリンク予測情報を保存し、プライバシを懸念した大規模ネットワークにおけるグラフ凝縮の利用を促進する、有望な経路を提供する。
関連論文リスト
- Privacy-Preserving Graph Embedding based on Local Differential Privacy [26.164722283887333]
ノードデータのプライバシを保護するために,PrivGEという新たなプライバシ保護グラフ埋め込みフレームワークを導入する。
具体的には,ノードデータを難読化するための LDP 機構を提案し,パーソナライズされた PageRank を近接指標としてノード表現を学習する。
いくつかの実世界のグラフデータセットの実験は、PrivGEがプライバシとユーティリティの最適なバランスを達成していることを示している。
論文 参考訳（メタデータ） (2023-10-17T08:06:08Z) - A Survey on Privacy in Graph Neural Networks: Attacks, Preservation, and
Applications [76.88662943995641]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを扱う能力のため、大きな注目を集めている。
この問題に対処するため、研究者らはプライバシー保護のGNNの開発を開始した。
この進歩にもかかわらず、攻撃の包括的概要と、グラフドメインのプライバシを保存するためのテクニックが欠如している。
論文 参考訳（メタデータ） (2023-08-31T00:31:08Z) - CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。
本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。
セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文 参考訳（メタデータ） (2023-08-17T13:07:09Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳（メタデータ） (2023-07-10T04:30:23Z) - Heterogeneous Graph Neural Network for Privacy-Preserving Recommendation [25.95411320126426]
ソーシャルネットワークは、ディープラーニングの技術進歩を伴う異種グラフニューラルネットワーク(HGNN)であると考えられている。
本稿では,HeteDPと呼ばれる差分プライバシー機構に基づく,新しい異種グラフニューラルネットワークのプライバシ保存手法を提案する。
論文 参考訳（メタデータ） (2022-10-02T14:41:02Z) - LinkTeller: Recovering Private Edges from Graph Neural Networks via
Influence Analysis [15.923158902023669]
エッジのプライバシに重点を置いて,ノード機能を備えたBobがまず,隣接情報を所有するAliceにトレーニングノード機能を送信するという,トレーニングシナリオを検討しています。
まず、Aliceが保持するプライベートエッジ情報を推測するために、影響分析によるプライバシ攻撃LinkTellerを提案する。
その後、LinkTellerが膨大な量のプライベートエッジを回復できることを実証的に示し、既存のベースラインを上回ります。
論文 参考訳（メタデータ） (2021-08-14T09:53:42Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳（メタデータ） (2021-06-05T07:07:52Z) - Communication-Computation Efficient Secure Aggregation for Federated
Learning [23.924656276456503]
フェデレーションラーニングは、ノードがデータを共有せずに、複数のノードに分散したデータを使用してニューラルネットワークを訓練する方法です。
セキュアアグリゲーションプリミティブに基づく最近のソリューションでは,プライバシ保護型のフェデレーション学習が可能だったが,通信/計算リソースが大幅に増加した。
通信・計算資源の量を大幅に削減する通信・計算効率のよいセキュアアグリゲーションを提案する。
論文 参考訳（メタデータ） (2020-12-10T03:17:50Z) - Secure Deep Graph Generation with Link Differential Privacy [32.671503863933616]
我々は、差分プライバシー(DP)フレームワークを利用して、ディープグラフ生成モデルに厳密なプライバシー制約を定式化し、強制する。
特に、リンク再構成に基づくグラフ生成モデルの勾配に適切なノイズを注入することにより、エッジDPを強制する。
提案した DPGGAN モデルでは,グローバル構造を効果的に保存し,個々のリンクのプライバシを厳格に保護したグラフを生成することができる。
論文 参考訳（メタデータ） (2020-05-01T15:49:17Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳（メタデータ） (2020-03-19T13:07:49Z)
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。