論文の概要: Polynomial Contrastive Learning for Privacy-Preserving Representation Learning on Graphs

• arxiv url: http://arxiv.org/abs/2509.25205v1
• Date: Fri, 19 Sep 2025 20:00:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.81795
• Title: Polynomial Contrastive Learning for Privacy-Preserving Representation Learning on Graphs
• Title（参考訳）: グラフ上のプライバシ保護表現学習のための多言語コントラスト学習
• Authors: Daksh Pandey,
• Abstract要約: 自己教師付き学習(SSL)は、手動のラベルを必要とせずにグラフデータ上で表現を学習するための強力なパラダイムとして登場した。 GRACEのようなSSLメソッドは、ホモモルフィック暗号化(HE)のようなプライバシー保護技術と根本的に互換性がない。 本稿では,グラフ上での自己教師型学習のための新しいフレームワークであるPoly-GRACEを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning (SSL) has emerged as a powerful paradigm for learning representations on graph data without requiring manual labels. However, leading SSL methods like GRACE are fundamentally incompatible with privacy-preserving technologies such as Homomorphic Encryption (HE) due to their reliance on non-polynomial operations. This paper introduces Poly-GRACE, a novel framework for HE-compatible self-supervised learning on graphs. Our approach consists of a fully polynomial-friendly Graph Convolutional Network (GCN) encoder and a novel, polynomial-based contrastive loss function. Through experiments on three benchmark datasets -- Cora, CiteSeer, and PubMed -- we demonstrate that Poly-GRACE not only enables private pre-training but also achieves performance that is highly competitive with, and in the case of CiteSeer, superior to the standard non-private baseline. Our work represents a significant step towards practical and high-performance privacy-preserving graph representation learning.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、手動のラベルを必要とせずにグラフデータ上で表現を学習するための強力なパラダイムとして登場した。 しかし、GRACEのような主要なSSLメソッドは、非ポリノミカル操作に依存しているため、ホモモルフィック暗号化(HE)のようなプライバシー保護技術と基本的には相容れない。 本稿では,グラフ上での自己教師型学習のための新しいフレームワークであるPoly-GRACEを紹介する。 提案手法は,完全多項式親和性グラフ畳み込みネットワーク(GCN)エンコーダと,新しい多項式ベースのコントラスト損失関数からなる。 Cora、CiteSeer、PubMedの3つのベンチマークデータセットの実験を通じて、Poly-GRACEはプライベート事前トレーニングを可能にするだけでなく、非常に競争力のあるパフォーマンスを実現している。 我々の研究は、実用的で高性能なプライバシー保護グラフ表現学習に向けた重要な一歩である。

関連論文リスト

• Privately Learning from Graphs with Applications in Fine-tuning Large Language Models [20.63522374493782]
  グラフから学ぶには、しばしばデータ内の繊細な関係を扱う。 DP-SGDのような既存のプライバシー保護手法は、勾配デカップリングの仮定に依存している。 本稿では,関係学習のためのプライバシ保護パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-10T18:38:38Z)
• ExGRG: Explicitly-Generated Relation Graph for Self-Supervised Representation Learning [4.105236597768038]
  自己教師型学習は、ディープラーニングモデルの事前学習において、強力なテクニックとして登場した。 本稿では,合成関係グラフを明示的に生成する新しい非競合SSL手法を提案する。
  論文  参考訳（メタデータ） (2024-02-09T19:16:04Z)
• Privacy-Preserving Graph Embedding based on Local Differential Privacy [26.164722283887333]
  ノードデータのプライバシを保護するために,PrivGEという新たなプライバシ保護グラフ埋め込みフレームワークを導入する。 具体的には,ノードデータを難読化するための LDP 機構を提案し,パーソナライズされた PageRank を近接指標としてノード表現を学習する。 いくつかの実世界のグラフデータセットの実験は、PrivGEがプライバシとユーティリティの最適なバランスを達成していることを示している。
  論文  参考訳（メタデータ） (2023-10-17T08:06:08Z)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Privacy-Preserved Neural Graph Similarity Learning [99.78599103903777]
  本稿では,グラフ類似性学習のためのプライバシ保存型ニューラルグラフマッチングネットワークモデルPPGMを提案する。 再構成攻撃を防ぐため、提案モデルではデバイス間でノードレベルの表現を通信しない。 グラフプロパティに対する攻撃を軽減するため、両方のベクトルの情報を含む難読化機能は通信される。
  論文  参考訳（メタデータ） (2022-10-21T04:38:25Z)
• Evaluating Self-Supervised Learning for Molecular Graph Embeddings [38.65102126919387]
  Graph Self-Supervised Learning (GSSL)は、専門的なラベル付けなしで埋め込みを取得するための堅牢なパスを提供する。 分子グラフ埋め込みの詳細なプロファイルを解釈可能かつ多彩な属性で生成する。
  論文  参考訳（メタデータ） (2022-06-16T09:01:53Z)
• GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
  本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。 我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。 その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
  論文  参考訳（メタデータ） (2022-05-22T11:57:08Z)
• Bringing Your Own View: Graph Contrastive Learning without Prefabricated Data Augmentations [94.41860307845812]
  Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。 GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。 グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。 我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
  論文  参考訳（メタデータ） (2022-01-04T15:49:18Z)
• 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)

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。