論文の概要: Fedivertex: a Graph Dataset based on Decentralized Social Networks for Trustworthy Machine Learning

• arxiv url: http://arxiv.org/abs/2505.20882v1
• Date: Tue, 27 May 2025 08:26:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.513693
• Title: Fedivertex: a Graph Dataset based on Decentralized Social Networks for Trustworthy Machine Learning
• Title（参考訳）: Fedivertex: 信頼できる機械学習のための分散ソーシャルネットワークに基づくグラフデータセット
• Authors: Marc Damie, Edwige Cyffers,
• Abstract要約: 我々はFediverseから7つのソーシャルネットワークをカバーする182グラフの新しいデータセットであるFedivertexを紹介した。 データセットをPythonパッケージとともにリリースし、その使用を容易にし、そのユーティリティをいくつかのタスクで説明します。
• 参考スコア（独自算出の注目度）: 2.8851756275902476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decentralized machine learning - where each client keeps its own data locally and uses its own computational resources to collaboratively train a model by exchanging peer-to-peer messages - is increasingly popular, as it enables better scalability and control over the data. A major challenge in this setting is that learning dynamics depend on the topology of the communication graph, which motivates the use of real graph datasets for benchmarking decentralized algorithms. Unfortunately, existing graph datasets are largely limited to for-profit social networks crawled at a fixed point in time and often collected at the user scale, where links are heavily influenced by the platform and its recommendation algorithms. The Fediverse, which includes several free and open-source decentralized social media platforms such as Mastodon, Misskey, and Lemmy, offers an interesting real-world alternative. We introduce Fedivertex, a new dataset of 182 graphs, covering seven social networks from the Fediverse, crawled weekly over 14 weeks. We release the dataset along with a Python package to facilitate its use, and illustrate its utility on several tasks, including a new defederation task, which captures a process of link deletion observed on these networks.
• Abstract（参考訳）: 分散機械学習 — 各クライアントが独自のデータをローカルに保持し、独自の計算リソースを使用して、ピアツーピアメッセージを交換することで、モデルを協調的にトレーニングする — は、データのスケーラビリティとコントロールを向上する手段として、ますます人気を集めています。 この設定における大きな課題は、動的学習が通信グラフのトポロジに依存することである。 残念ながら、既存のグラフデータセットは、一定時間にクロールされ、しばしばユーザースケールで収集される営利的なソーシャルネットワークに限られており、リンクはプラットフォームとその推奨アルゴリズムに大きく影響されている。 このFederiverseには、Mastodon、Misskey、Lemmyなど、フリーでオープンソースの分散ソーシャルメディアプラットフォームが含まれている。 我々は、Fediverseから7つのソーシャルネットワークをカバーする182グラフの新しいデータセットであるFedivertexを紹介し、14週間にわたって毎週クロールした。 我々は、データセットをPythonパッケージとともにリリースし、その使用を容易にし、これらのネットワークで観測されたリンク削除のプロセスをキャプチャする新しいデフレデレーションタスクを含む、いくつかのタスクでそのユーティリティを説明します。

関連論文リスト

• Hybrid FedGraph: An efficient hybrid federated learning algorithm using graph convolutional neural network [13.786989442742588]
  フェデレートラーニング(Federated Learning)は、分散クライアント上の機械学習モデルの分散トレーニングのための新興パラダイムである。 クライアントのサブセットから特徴を学習しながら特徴共有情報をキャプチャするグラフ畳み込みニューラルネットワークを提案する。 また、データのプライバシを保ちながら、各クライアントのディープニューラルネットワークによって生成された機能を集約する、単純だが効果的なクラスタリングアルゴリズムも開発しています。
  論文  参考訳（メタデータ） (2024-04-15T04:02:39Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
  冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。 オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。 この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
  論文  参考訳（メタデータ） (2023-09-09T06:18:50Z)
• 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)
• Federated Graph-based Networks with Shared Embedding [1.323497585762675]
  本稿では,共有埋め込み(Feras)を用いたフェデレーショングラフベースのネットワークを提案する。 Ferasは、現在のグラフベースのモデルのトレーニングを、フェデレートされた学習フレームワークで行うことで、プライバシの懸念を解消する。
  論文  参考訳（メタデータ） (2022-10-03T12:51:15Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)
• BayGo: Joint Bayesian Learning and Information-Aware Graph Optimization [48.30183416069897]
  BayGoは、ベイズ学習とグラフ最適化のフレームワークである。 本研究の枠組みは、完全連結および恒星トポロジーグラフと比較して、より高速な収束と精度を実現する。
  論文  参考訳（メタデータ） (2020-11-09T11:16:55Z)
• Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
  クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。 群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-25T10:12:37Z)
• Community Detection Clustering via Gumbel Softmax [0.0]
  本稿では,様々なグラフデータセットのノードをクラスタリングするコミュニティ検出手法を提案する。 ネットワーク内のノード間の相互作用をモデル化する深層学習の役割は、グラフネットワーク分析に関連する科学の分野に革命をもたらす。
  論文  参考訳（メタデータ） (2020-05-05T17:55:31Z)
• 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)

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。