論文の概要: Rethinking Federated Graph Learning: A Data Condensation Perspective

• arxiv url: http://arxiv.org/abs/2505.02573v1
• Date: Mon, 05 May 2025 11:23:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.659748
• Title: Rethinking Federated Graph Learning: A Data Condensation Perspective
• Title（参考訳）: フェデレートされたグラフ学習を再考する - データ凝縮の視点から
• Authors: Hao Zhang, Xunkai Li, Yinlin Zhu, Lianglin Hu,
• Abstract要約: フェデレートグラフ学習(FGL)は、マルチクライアントグラフによるグラフニューラルネットワーク(GNN)の協調トレーニングを促進する。 本稿では、FGLデータの不均一性に対処する新しい最適化キャリアとして、凝縮グラフの概念を導入する。 具体的には、一般化された凝縮グラフのコンセンサスを用いて、分散グラフから包括的な知識を集約する。
• 参考スコア（独自算出の注目度）: 4.044673636393338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated graph learning is a widely recognized technique that promotes collaborative training of graph neural networks (GNNs) by multi-client graphs.However, existing approaches heavily rely on the communication of model parameters or gradients for federated optimization and fail to adequately address the data heterogeneity introduced by intricate and diverse graph distributions. Although some methods attempt to share additional messages among the server and clients to improve federated convergence during communication, they introduce significant privacy risks and increase communication overhead. To address these issues, we introduce the concept of a condensed graph as a novel optimization carrier to address FGL data heterogeneity and propose a new FGL paradigm called FedGM. Specifically, we utilize a generalized condensation graph consensus to aggregate comprehensive knowledge from distributed graphs, while minimizing communication costs and privacy risks through a single transmission of the condensed data. Extensive experiments on six public datasets consistently demonstrate the superiority of FedGM over state-of-the-art baselines, highlighting its potential for a novel FGL paradigm.
• Abstract（参考訳）: フェデレーショングラフ学習(Federated graph learning)は,多言語グラフによるグラフニューラルネットワーク(GNN)の協調学習を促進する技術として広く認知されているが,既存のアプローチは,フェデレーション最適化のためのモデルパラメータや勾配の通信に大きく依存しており,複雑で多様なグラフ分布によってもたらされるデータ不均一性に適切に対処できない。 通信中にフェデレートコンバージェンスを改善するために、サーバとクライアント間で追加のメッセージを共有しようとする方法もあるが、プライバシのリスクが大きくなり、通信オーバーヘッドが増大する。 これらの問題に対処するために、FGLデータの均一性に対処する新しい最適化キャリアとしての凝縮グラフの概念を導入し、FedGMと呼ばれる新しいFGLパラダイムを提案する。 具体的には、一般化された凝縮グラフのコンセンサスを利用して、分散グラフから包括的な知識を集約し、縮合されたデータの単一送信による通信コストとプライバシリスクを最小化する。 6つの公開データセットに関する大規模な実験は、FedGMが最先端のベースラインよりも優れていることを一貫して示しており、新しいFGLパラダイムの可能性を強調している。

関連論文リスト

• Towards Federated Graph Learning in One-shot Communication [27.325478113745206]
  Federated Graph Learning(FGL)は、分散プライベートグラフ間のデータサイロを壊すための有望なパラダイムとして登場した。 ワンショットフェデレートラーニング(OFL)は1ラウンドでのコラボレーションを可能にするが、既存のOFLメソッドはグラフデータには有効ではない。 本稿では,ノード分類のための最初の$textbfO-pFGL$メソッド(textbfO-pFGL$)を提案する。
  論文  参考訳（メタデータ） (2024-11-18T05:59:29Z)
• Against Multifaceted Graph Heterogeneity via Asymmetric Federated Prompt Learning [5.813912301780917]
  本稿では,非対称なグラフ知識の伝達を効率的に行うためのフェデレートグラフプロンプト学習(FedGPL)フレームワークを提案する。 我々は,FedGPLの精度と有効性を示すため,理論解析と広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-11-04T11:42:25Z)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Privatized Graph Federated Learning [57.14673504239551]
  グラフによって連結された複数の単位からなるグラフフェデレーション学習を導入する。 グラフ準同型摂動はアルゴリズムが微分プライベートであることを保証するためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-03-14T13:48:23Z)
• FedGCN: Convergence-Communication Tradeoffs in Federated Training of Graph Convolutional Networks [14.824579000821272]
  我々はフェデレートグラフ畳み込みネットワーク(FedGCN)アルゴリズムを導入し、フェデレーション学習を用いてGCNモデルを訓練し、半教師付きノード分類を行う。 各トレーニングラウンドでクライアント間の余分な通信を必要とする従来の方法と比較して、FedGCNクライアントはトレーニング前の1ステップで中央サーバとのみ通信する。 実験の結果,FedGCNアルゴリズムは平均収束率51.7%,通信速度100倍の精度でモデル精度が向上した。
  論文  参考訳（メタデータ） (2022-01-28T21:39:16Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。