論文の概要: Heterogeneity-Aware Knowledge Sharing for Graph Federated Learning

• arxiv url: http://arxiv.org/abs/2601.21589v1
• Date: Thu, 29 Jan 2026 12:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.782202
• Title: Heterogeneity-Aware Knowledge Sharing for Graph Federated Learning
• Title（参考訳）: グラフフェデレーション学習のための不均一性を考慮した知識共有
• Authors: Wentao Yu, Sheng Wan, Shuo Chen, Bo Han, Chen Gong,
• Abstract要約: グラフフェデレーション学習(GFL)は、グラフデータのプライバシーを保護しながら、分散グラフ表現学習を可能にする。 本稿では,ノードの特徴と構造的トポロジの知識を共有するセマンティック・構造的アライメント(FedSSA)を用いた新しいグラフフェデレーション学習手法を提案する。 6つのホモ親和性グラフデータセットと5つのヘテロ親和性グラフデータセットの実験は、重複しない分割設定と重なり合うパーティショニング設定の両方で、FedSSAが一貫して11の最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 35.59096869209774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Federated Learning (GFL) enables distributed graph representation learning while protecting the privacy of graph data. However, GFL suffers from heterogeneity arising from diverse node features and structural topologies across multiple clients. To address both types of heterogeneity, we propose a novel graph Federated learning method via Semantic and Structural Alignment (FedSSA), which shares the knowledge of both node features and structural topologies. For node feature heterogeneity, we propose a novel variational model to infer class-wise node distributions, so that we can cluster clients based on inferred distributions and construct cluster-level representative distributions. We then minimize the divergence between local and cluster-level distributions to facilitate semantic knowledge sharing. For structural heterogeneity, we employ spectral Graph Neural Networks (GNNs) and propose a spectral energy measure to characterize structural information, so that we can cluster clients based on spectral energy and build cluster-level spectral GNNs. We then align the spectral characteristics of local spectral GNNs with those of cluster-level spectral GNNs to enable structural knowledge sharing. Experiments on six homophilic and five heterophilic graph datasets under both non-overlapping and overlapping partitioning settings demonstrate that FedSSA consistently outperforms eleven state-of-the-art methods.
• Abstract（参考訳）: グラフフェデレーション学習(GFL)は、グラフデータのプライバシーを保護しながら、分散グラフ表現学習を可能にする。 しかし、GFLは多様なノード特徴と複数のクライアントにまたがる構造的トポロジから生じる異質性に悩まされている。 本研究では,ノードの特徴と構造的トポロジの両方の知識を共有するセマンティック・構造的アライメント(FedSSA)を用いた新しいグラフフェデレーション学習手法を提案する。 ノード特徴の不均一性に対して,クラスワイドノード分布を推論する新しい変動モデルを提案し,推論された分布に基づいてクライアントをクラスタ化し,クラスタレベルの代表分布を構築する。 次に、局所的な分布とクラスタレベルの分布のばらつきを最小化し、セマンティックな知識共有を容易にする。 構造的不均一性のために、スペクトルグラフニューラルネットワーク(GNN)を用い、構造情報を特徴付けるスペクトルエネルギー尺度を提案し、スペクトルエネルギーに基づいてクライアントをクラスタ化し、クラスタレベルのスペクトルGNNを構築する。 次に,局所スペクトルGNNのスペクトル特性とクラスタレベルのスペクトルGNNのスペクトル特性を一致させて,構造的知識共有を実現する。 6つのホモ親和性グラフデータセットと5つのヘテロ親和性グラフデータセットの実験は、重複しない分割設定と重なり合うパーティショニング設定の両方で、FedSSAが一貫して11の最先端の手法より優れていることを示す。

関連論文リスト

• Task-driven Heterophilic Graph Structure Learning [30.767828037086844]
  グラフニューラルネットワーク(GNN)は、異種グラフの識別ノード表現を学習するのにしばしば苦労する。 本稿では,エンドツーエンドのグラフ推論フレームワークであるFgGSLを提案する。
  論文  参考訳（メタデータ） (2025-12-29T11:59:16Z)
• FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs [55.51300642911766]
  Federated Graph Learning(FGL)は、クライアントがグラフニューラルネットワーク(GNN)を分散的にトレーニングすることを可能にする。 FGL法は通常、全てのクライアントが所有するグラフデータが、類似したノードの分布パターンを保証するためにホモフィリックであることが要求される。 異種グラフからの洞察を効果的に活用し、共有するために設計されたFGLフレームワークであるFedHEROを提案する。
  論文  参考訳（メタデータ） (2025-04-29T22:23:35Z)
• Homophily Heterogeneity Matters in Graph Federated Learning: A Spectrum Sharing and Complementing Perspective [3.1700915949553843]
  我々は、スペクトルグラフニューラルネットワーク(GNN)を導入し、グラフスペクトル特性(FedGSP)をマイニングする新しいフェデレーション学習法を提案する。 一方、提案したFedGSPでは、クライアントが一般的なスペクトル特性を共有できるため、すべてのクライアントがコラボレーションを通じて利益を得ることができる。 一方、我々の理論的な知見に触発されて、提案したFedGSPは、クライアントが欠落するスペクトル特性を取得することで、非ジェネリックスペクトル特性を補完することを可能にする。
  論文  参考訳（メタデータ） (2025-02-19T13:58:08Z)
• Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。 本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。 2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-07-02T20:29:23Z)
• Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングでますます人気が高まっている。 本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。 本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:36:56Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)

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。