論文の概要: Metric Embedding Initialization-Based Differentially Private and Explainable Graph Clustering

• arxiv url: http://arxiv.org/abs/2509.06214v1
• Date: Sun, 07 Sep 2025 21:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.906758
• Title: Metric Embedding Initialization-Based Differentially Private and Explainable Graph Clustering
• Title（参考訳）: 初期化に基づく微分プライベートおよび説明可能なグラフクラスタリングのメトリクス埋め込み
• Authors: Haochen You, Baojing Liu,
• Abstract要約: グラフクラスタリングは、個々のプライバシを保護しながら、グラフ構造化データを処理することを目的としている。 距離埋め込みに基づくグラフクラスタリング手法を,差分的にプライベートかつ解釈可能なグラフクラスタリング手法を構築した。 提案するフレームワークは,プライバシを厳格に保証しつつ,さまざまなクラスタリング指標における既存手法よりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph clustering under the framework of differential privacy, which aims to process graph-structured data while protecting individual privacy, has been receiving increasing attention. Despite significant achievements in current research, challenges such as high noise, low efficiency and poor interpretability continue to severely constrain the development of this field. In this paper, we construct a differentially private and interpretable graph clustering approach based on metric embedding initialization. Specifically, we construct an SDP optimization, extract the key set and provide a well-initialized clustering configuration using an HST-based initialization method. Subsequently, we apply an established k-median clustering strategy to derive the cluster results and offer comparative explanations for the query set through differences from the cluster centers. Extensive experiments on public datasets demonstrate that our proposed framework outperforms existing methods in various clustering metrics while strictly ensuring privacy.
• Abstract（参考訳）: グラフ構造化されたデータを個々のプライバシ保護しながら処理することを目的とした、差分プライバシーのフレームワークによるグラフクラスタリングが注目されている。 現在の研究における大きな成果にもかかわらず、高騒音、低効率、低解釈可能性といった課題は、この分野の開発を厳しく制限し続けている。 本稿では,計量埋め込み初期化に基づくグラフクラスタリング手法について述べる。 具体的には、SDP最適化を構築し、キーセットを抽出し、HSTに基づく初期化手法を用いて、十分に初期化されたクラスタリング構成を提供する。 その後、クラスタ結果の導出に確立されたk中間クラスタリング戦略を適用し、クラスタセンタの違いによるクエリセットの比較説明を行う。 公開データセットに関する大規模な実験により、提案するフレームワークは、さまざまなクラスタリングメトリクスにおいて既存のメソッドよりも優れ、プライバシを厳格に保証することを示した。

関連論文リスト

• Differentially Private Federated $k$-Means Clustering with Server-Side Data [19.962475029447127]
  FedDP-KMeansは$k$-meansクラスタリングのためのアルゴリズムで、完全なフェデレーションと差分プライベートである。 提案アルゴリズムは,合成および実世界のベンチマークタスクにおいて優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-06-04T14:53:25Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Contrastive Explainable Clustering with Differential Privacy [25.19112971690494]
  本稿では、クラスタリングアルゴリズムの差分プライバシーと対照的な説明を組み合わせ、説明可能なAI(XAI)に新しいアプローチを提案する。 そこで本研究では,k-median問題とk-means問題に着目し,あるデータポイントに固定されたセントロイドを用いたクラスタリングと,元のクラスタリングとクラスタリングとの実用的差異として,コントラッシブな説明を計算する。 私たちの重要な貢献は、これらの微分プライベートな説明が、本質的に非プライベートな説明と同じユーティリティ境界を達成することを示すことです。
  論文  参考訳（メタデータ） (2024-06-07T03:37:36Z)
• DPM: Clustering Sensitive Data through Separation [2.2179058122448922]
  幾何学的クラスタリングアプローチに基づいてデータセットをクラスタに分離するDPMと呼ばれるプライバシ保護クラスタリングアルゴリズムを提案する。 我々は,DPMが標準クラスタリング指標の最先端性を実現し,一般的なKMeansアルゴリズムに近いクラスタリング結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-06T13:12:19Z)
• Improving the Utility of Differentially Private Clustering through Dynamical Processing [4.6289929100615]
  この研究は、ユーティリティとプライバシの差分なプライベートクラスタリングのトレードオフを軽減することを目的としている。 既存の作業は、パフォーマンスの低下を示す単純なメソッドに重点を置いている。
  論文  参考訳（メタデータ） (2023-04-27T00:13:17Z)
• A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
  異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。 ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。 厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
  論文  参考訳（メタデータ） (2022-09-22T09:04:10Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。