論文の概要: Privacy-Preserving Transfer Learning for Community Detection using Locally Distributed Multiple Networks

• arxiv url: http://arxiv.org/abs/2504.00890v1
• Date: Tue, 01 Apr 2025 15:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:24:50.449807
• Title: Privacy-Preserving Transfer Learning for Community Detection using Locally Distributed Multiple Networks
• Title（参考訳）: 局所分散ネットワークを用いたコミュニティ検出のためのプライバシ保護トランスファー学習
• Authors: Xiao Guo, Xuming He, Xiangyu Chang, Shujie Ma,
• Abstract要約: ネットワークデータのコミュニティ検出において,TransNetと呼ばれる新しいスペクトルクラスタリング手法を開発した。 我々は、異質でプライバシーが保護され、様々なソースにローカルに保存される補助的なソースネットワークを使用している。 重み付きソースネットワークのみを用いた対象ネットワークと推定器のみを用いた推定器よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 18.14846483414994
• License:
• Abstract: This paper develops a new spectral clustering-based method called TransNet for transfer learning in community detection of network data. Our goal is to improve the clustering performance of the target network using auxiliary source networks, which are heterogeneous, privacy-preserved, and locally stored across various sources. The edges of each locally stored network are perturbed using the randomized response mechanism to achieve differential privacy. Notably, we allow the source networks to have distinct privacy-preserving and heterogeneity levels as often desired in practice. To better utilize the information from the source networks, we propose a novel adaptive weighting method to aggregate the eigenspaces of the source networks multiplied by adaptive weights chosen to incorporate the effects of privacy and heterogeneity. We propose a regularization method that combines the weighted average eigenspace of the source networks with the eigenspace of the target network to achieve an optimal balance between them. Theoretically, we show that the adaptive weighting method enjoys the error-bound-oracle property in the sense that the error bound of the estimated eigenspace only depends on informative source networks. We also demonstrate that TransNet performs better than the estimator using only the target network and the estimator using only the weighted source networks.
• Abstract（参考訳）: 本稿では,ネットワークデータのコミュニティ検出において,TransNetと呼ばれる新しいスペクトルクラスタリング手法を提案する。 我々のゴールは、異質でプライバシーを保護し、様々なソースにローカルに保存される補助的なソースネットワークを用いて、ターゲットネットワークのクラスタリング性能を改善することである。 各ローカルに保存されたネットワークのエッジは、ランダム化応答機構を用いて摂動され、差分プライバシーを実現する。 特に、我々はソースネットワークが実際には望まれるように、個別のプライバシ保護と異質性レベルを持つことを許している。 情報源ネットワークからの情報をよりよく活用するために,プライバシと異質性の影響を組み込むために選択された適応重み付けにより,情報源ネットワークの固有空間を集約する適応重み付け手法を提案する。 そこで本研究では,ソースネットワークの重み付き平均固有空間と対象ネットワークの固有空間を結合して最適バランスを実現する正規化手法を提案する。 理論的には、適応重み付け法は、推定固有空間の誤差境界が情報ソースネットワークにのみ依存するという意味で、誤差バウンドオーラ特性を享受することを示す。 また、ターゲットネットワークと重み付きソースネットワークのみを用いた推定器を用いて、TransNetが推定器よりも優れた性能を示すことを示す。

関連論文リスト

• Privacy-Preserving Community Detection for Locally Distributed Multiple Networks [11.693304974549893]
  多層ブロックモデルにおけるコンセンサスコミュニティの検出と推定のための新しい手法を提案する。 分散スペクトルクラスタリング(ppDSC)と呼ばれる新しいアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-27T08:36:13Z)
• RAIN: RegulArization on Input and Network for Black-Box Domain Adaptation [80.03883315743715]
  ソースのないドメイン適応は、ソースデータを公開することなく、ソース訓練されたモデルをターゲットドメインに転送する。 このパラダイムは、ソースモデルに対する敵対的な攻撃のため、データ漏洩のリスクがある。 そこで我々は,入力レベルとネットワークレベルの両方の正規化からブラックボックスドメインを適応させる新しい手法であるRAIN(RegulArization on Input and Network)を提案する。
  論文  参考訳（メタデータ） (2022-08-22T18:18:47Z)
• Optimal resource allocation for flexible-grid entanglement distribution networks [0.0]
  本稿では,周波数偏光双光子を用いたエンタングルメント分布の一般モデルを提案する。 我々は,1対1のユーザ接続からなるネットワークに対して,忠実度と絡み合ったビットレートの上限を導出する。
  論文  参考訳（メタデータ） (2022-04-13T21:31:47Z)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Diffusion Source Identification on Networks with Statistical Confidence [12.805268849262246]
  拡散源同定のための統計的枠組みを導入し,仮説テストに着想を得た信頼セット推論手法を開発した。 提案手法は,特定の信頼度を持つノードを確実にカバーするノードの小さなサブセットを効率よく生成する。 これは一般ネットワークにおける理論的保証を実質的に有益とする最初の拡散源同定法である。
  論文  参考訳（メタデータ） (2021-06-09T04:21:03Z)
• Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc Wireless Networks [122.42812336946756]
  集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。 アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
  論文  参考訳（メタデータ） (2020-11-05T03:38:36Z)
• Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
  予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。 既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。 サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
  論文  参考訳（メタデータ） (2020-09-30T03:40:07Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)
• Multi-source Domain Adaptation via Weighted Joint Distributions Optimal Transport [35.37752209765114]
  未ラベルのターゲットデータセットに対するドメイン適応に対する新しいアプローチを提案する。 我々は,対象タスクの重み付けを手元に調整することで,ソース分布の多様性を利用する。 Weighted Joint Distribution Optimal Transport (WJDOT) と名付けられた本手法は,ソースとターゲットの分布の最適輸送に基づくアライメントを同時に見つけることを目的としている。
  論文  参考訳（メタデータ） (2020-06-23T12:33:30Z)

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。