論文の概要: EPDQ: Efficient and Privacy-Preserving Exact Distance Query on Encrypted Graphs

• arxiv url: http://arxiv.org/abs/2603.26219v1
• Date: Fri, 27 Mar 2026 09:42:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.426479
• Title: EPDQ: Efficient and Privacy-Preserving Exact Distance Query on Encrypted Graphs
• Title（参考訳）: EPDQ: 暗号化グラフ上での効率よく、かつ、プライバシに配慮したエクササイズクエリ
• Authors: Xuemei Fu,
• Abstract要約: 本稿では,暗号化グラフデータベースを対象としたテンソルに基づく最短距離問合せ方式を提案する。 暗号化された2ホップカバーインデックスフレームワークとPLL(Pruned Landmark Labeling)技術を統合する。 既存の暗号化グラフクエリ手法と比較して,スケーラビリティと計算コストの低減を実現している。
• 参考スコア（独自算出の注目度）: 0.6768558752130311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the explosive growth of graph-structured data, graph databases have become a critical infrastructure for supporting large-scale and complex data analysis. Among various graph operations, shortest distance queries play a fundamental role in numerous applications, such as path planning, recommendation systems, and knowledge graphs. However, existing encrypted graph query methods still suffer from limitations in computational efficiency and system scalability, making it challenging to support efficient query processing over large-scale encrypted graph data. To address these challenges, this paper proposes a tensor-based shortest distance query scheme for encrypted graph databases. The proposed method integrates an encrypted 2-hop cover indexing framework with the Pruned Landmark Labeling (PLL) technique, thereby constructing an efficient and privacy-preserving indexing mechanism. Furthermore, a tensorized representation is introduced to uniformly model graph structures, which effectively reduces computational complexity while ensuring data privacy, and significantly improves the scalability of the system. Extensive experimental evaluations on large-scale graph datasets demonstrate that the proposed approach achieves superior scalability and lower computational costs compared with existing encrypted graph query methods. Moreover, it provides strong privacy protection guarantees, making it well suited for privacy-preserving graph query applications in cloud computing and distributed environments.
• Abstract（参考訳）: グラフ構造化データの爆発的な成長に伴い、グラフデータベースは大規模かつ複雑なデータ分析をサポートするための重要な基盤となっている。 グラフ処理の中で、最短距離クエリは、パス計画、レコメンデーションシステム、知識グラフなど、多くのアプリケーションにおいて基本的な役割を果たす。 しかし、既存の暗号化グラフクエリ手法は計算効率とシステムのスケーラビリティの限界に悩まされており、大規模な暗号化グラフデータに対して効率的なクエリ処理をサポートすることは困難である。 これらの課題に対処するために,暗号化グラフデータベースのためのテンソルに基づく最短距離問合せ方式を提案する。 提案手法は,Pruned Landmark Labeling (PLL) 技術と暗号化された2-hopカバーインデックスフレームワークを統合し,効率的かつプライバシ保護のインデックス化機構を構築する。 さらに、テンソル化表現を導入してグラフ構造を一様にモデル化し、データのプライバシを確保しながら計算複雑性を効果的に低減し、システムのスケーラビリティを大幅に改善する。 大規模グラフデータセットに対する大規模な実験により,提案手法は既存の暗号化グラフクエリ手法と比較して,スケーラビリティと計算コストの低減を実現していることが示された。 さらに、強力なプライバシ保護保証を提供し、クラウドコンピューティングや分散環境におけるプライバシ保護グラフクエリアプリケーションに適している。

関連論文リスト

• DESIGN: Encrypted GNN Inference via Server-Side Input Graph Pruning [21.652233892742366]
  DESIGN(EncrypteD GNN Inference via sErver-Side Input Graph pruNing)は、効率的な暗号化GNN推論のための新しいフレームワークである。 当社のフレームワークは,サーバ上で完全に実行される階層的最適化戦略により,大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-08T04:01:53Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Verifiable, Efficient and Confidentiality-Preserving Graph Search with Transparency [16.64649629947436]
  PeGraphは、プライバシーの漏洩に対処するため、ソーシャルグラフ上で暗号化された検索を実現する最新のスキームだ。 透明な検索機能を提供しておらず、高価な計算と結果パターンのリークに悩まされている。 最初の2つの制限に対処するためにSecGraphを提案し、新しいシステムアーキテクチャを採用した。
  論文  参考訳（メタデータ） (2025-03-13T08:53:53Z)
• FedGraph: A Research Library and Benchmark for Federated Graph Learning [57.769105634569314]
  フェデレーショングラフ学習は、重要な実践上の課題を持つ新興分野である。 我々は,実践的な分散トレーニングを目的とした研究ライブラリであるFedGraphを紹介する。 FedGraphは最先端のグラフ学習メソッドをサポートし、システムパフォーマンスを評価するモニタリングクラスを含んでいる。
  論文  参考訳（メタデータ） (2024-10-08T20:18:18Z)
• 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)
• A fast topological approach for predicting anomalies in time-varying graphs [0.0]
  トポロジカルデータ解析(TDA)からの永続化ダイアグラム(PD)は、点間距離が明確に定義されたデータ形状記述法として人気がある。 本稿では,グラフデータから形状情報を抽出する計算効率の良いフレームワークを提案する。 実際のデータアプリケーションでは、暗号取引ネットワークの異常な価格予測において、我々のアプローチは最大で22%上昇する。
  論文  参考訳（メタデータ） (2023-05-11T01:54:45Z)
• 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)
• Graph Pooling with Maximum-Weight $k$-Independent Sets [12.251091325930837]
  最大ウェイト$k$非依存集合のグラフ理論的概念に基づくグラフ粗化機構を導入する。 我々は、経路長の歪み境界の理論的保証と、粗化グラフにおける重要な位相特性を保存できることを証明した。
  論文  参考訳（メタデータ） (2022-08-06T14:12:47Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)

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。