論文の概要: EC-LDA : Label Distribution Inference Attack against Federated Graph Learning with Embedding Compression

• arxiv url: http://arxiv.org/abs/2505.15140v1
• Date: Wed, 21 May 2025 05:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.917173
• Title: EC-LDA : Label Distribution Inference Attack against Federated Graph Learning with Embedding Compression
• Title（参考訳）: EC-LDA : 埋め込み圧縮によるグラフ学習に対するラベル分布推定攻撃
• Authors: Tong Cheng, Fu Jie, Xinpeng Ling, Huifa Li, Zhili Chen,
• Abstract要約: Federated Graph Learning(FGL)は、さまざまなクライアントからグラフデータを協調的にトレーニングする、新たな学習フレームワークである。 本稿では,クライアントのローカルデータのラベル分布を推定することを目的としたラベル分散攻撃(LDAs)に焦点を当てる。 本稿では,ノード埋め込みを圧縮することで攻撃効率を大幅に向上させるEC-LDAという新しい攻撃法を提案する。
• 参考スコア（独自算出の注目度）: 3.999643932330867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have been widely used for graph analysis. Federated Graph Learning (FGL) is an emerging learning framework to collaboratively train graph data from various clients. However, since clients are required to upload model parameters to the server in each round, this provides the server with an opportunity to infer each client's data privacy. In this paper, we focus on label distribution attacks(LDAs) that aim to infer the label distributions of the clients' local data. We take the first step to attack client's label distributions in FGL. Firstly, we observe that the effectiveness of LDA is closely related to the variance of node embeddings in GNNs. Next, we analyze the relation between them and we propose a new attack named EC-LDA, which significantly improves the attack effectiveness by compressing node embeddings. Thirdly, extensive experiments on node classification and link prediction tasks across six widely used graph datasets show that EC-LDA outperforms the SOTA LDAs. For example, EC-LDA attains optimal values under both Cos-sim and JS-div evaluation metrics in the CoraFull and LastFM datasets. Finally, we explore the robustness of EC-LDA under differential privacy protection.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はグラフ解析に広く利用されている。 Federated Graph Learning(FGL)は、さまざまなクライアントからグラフデータを協調的にトレーニングする、新たな学習フレームワークである。 しかし、クライアントは各ラウンドでモデルパラメータをサーバにアップロードする必要があるため、各クライアントのデータプライバシを推測する機会をサーバに提供する。 本稿では,クライアントのローカルデータのラベル分布を推定することを目的としたラベル分散攻撃(LDAs)に焦点を当てる。 クライアントのラベルディストリビューションをFGLで攻撃する第一歩を踏み出します。 まず、LDAの有効性はGNNにおけるノード埋め込みのばらつきと密接に関連している。 次に,それらの関係を解析し,ノード埋め込みを圧縮することで攻撃効率を大幅に向上させるEC-LDAという新たな攻撃法を提案する。 第3に、広く使用されている6つのグラフデータセットのノード分類とリンク予測タスクに関する広範な実験は、EC-LDAがSOTA LDAよりも優れていることを示している。 例えば、EC-LDAはColaFullデータセットとLastFMデータセットにおいて、Cos-simとJS-div評価メトリクスの両方で最適な値を取得する。 最後に、差分プライバシー保護下でのEC-LDAの堅牢性について検討する。

関連論文リスト

• Federated Hypergraph Learning: Hyperedge Completion with Local Differential Privacy [6.295242666794106]
  FedHGLは、複数のクライアントにわたる包括的なハイパーグラフニューラルネットワークを協調的にトレーニングするように設計されている。 クロスクライアント機能アグリゲーションは中央サーバで実行され、クライアントがこの情報を活用できるように配布される。
  論文  参考訳（メタデータ） (2024-08-09T16:31:41Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• 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)
• Federated Graph Representation Learning using Self-Supervision [18.015793175772835]
  フェデレートグラフ表現学習(FedGRL)は、データキュレーションに関連するプライバシーとコンプライアンスの問題に対処しながら、構造化データに分散トレーニングの利点をもたらす。 クロスサイロクライアントは、ラベル付きまたはラベルなしのデータで膨大な量のラベル付きデータにアクセスでき、また、下流クラスラベルドメインも多様である、現実的で斬新な問題設定を考察する。 我々は,自己監督的目標を用いて協調的に最適化された共有グローバルモデルを学習し,ローカルクライアントモデルを通じて下流タスクの監視を行うモデルに基づく新しいFedGRLの定式化を提案する。
  論文  参考訳（メタデータ） (2022-10-27T02:13:42Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• 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)
• FedGL: Federated Graph Learning Framework with Global Self-Supervision [22.124339267195822]
  FedGLは、データプライバシを保護しながら、高品質なグローバルグラフモデルを取得することができる。 グローバルなセルフスーパービジョンにより、各クライアントの情報がプライバシー保護の方法で流れて共有できます。
  論文  参考訳（メタデータ） (2021-05-07T11:27:23Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Vertically Federated Graph Neural Network for Privacy-Preserving Node Classification [39.53937689989282]
  VFGNNは、垂直分割されたデータの下でのプライバシー保護ノード分類タスクの学習パラダイムである。 プライベートなデータ関連の計算をデータホルダに残し、残りの計算を半正直なサーバに委譲します。 3つのベンチマークで実験を行い,VFGNNの有効性を実証した。
  論文  参考訳（メタデータ） (2020-05-25T03:12:18Z)

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。