論文の概要: Causality-inspired Federated Learning for Dynamic Spatio-Temporal Graphs

• arxiv url: http://arxiv.org/abs/2603.29384v1
• Date: Tue, 31 Mar 2026 07:52:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.271485
• Title: Causality-inspired Federated Learning for Dynamic Spatio-Temporal Graphs
• Title（参考訳）: 因果性にインスパイアされた動的時空間グラフのためのフェデレーション学習
• Authors: Yuxuan Liu, Wenchao Xu, Haozhao Wang, Zhiming He, Zhaofeng Shi, Chongyang Xu, Peichao Wang, Boyuan Zhang,
• Abstract要約: Federated Graph Learning(FGL)は、グラフニューラルネットワークの分散トレーニングのための強力なパラダイムとして登場した。 既存のFGLメソッドは、実世界のグラフにクライアント固有の知識が存在することを見越して、すべての機能がクライアント間で等しく転送可能であると仮定する。 本稿では,クライアント固有のノイズから伝達可能な因果的知識を明示的に分離するSC-FSGLという,因果性に着想を得た新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.47167190970743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Graph Learning (FGL) has emerged as a powerful paradigm for decentralized training of graph neural networks while preserving data privacy. However, existing FGL methods are predominantly designed for static graphs and rely on parameter averaging or distribution alignment, which implicitly assume that all features are equally transferable across clients, overlooking both the spatial and temporal heterogeneity and the presence of client-specific knowledge in real-world graphs. In this work, we identify that such assumptions create a vicious cycle of spurious representation entanglement, client-specific interference, and negative transfer, degrading generalization performance in Federated Learning over Dynamic Spatio-Temporal Graphs (FSTG). To address this issue, we propose a novel causality-inspired framework named SC-FSGL, which explicitly decouples transferable causal knowledge from client-specific noise through representation-level interventions. Specifically, we introduce a Conditional Separation Module that simulates soft interventions through client conditioned masks, enabling the disentanglement of invariant spatio-temporal causal factors from spurious signals and mitigating representation entanglement caused by client heterogeneity. In addition, we propose a Causal Codebook that clusters causal prototypes and aligns local representations via contrastive learning, promoting cross-client consistency and facilitating knowledge sharing across diverse spatio-temporal patterns. Experiments on five diverse heterogeneity Spatio-Temporal Graph (STG) datasets show that SC-FSGL outperforms state-of-the-art methods.
• Abstract（参考訳）: Federated Graph Learning(FGL)は、データプライバシを保持しながら、グラフニューラルネットワークの分散トレーニングのための強力なパラダイムとして登場した。 しかし、既存のFGL法は主に静的グラフ用に設計されており、パラメータ平均化や分布アライメントに依存しており、これは全ての機能は、空間的および時間的不均一性と実世界のグラフにおけるクライアント固有の知識の両方を見渡すことで、クライアント間で等しく転送可能であると暗黙的に仮定している。 本研究では,このような仮定が,動的時空間グラフ(FSTG)を用いたフェデレートラーニングにおける,突発的な表現絡み,クライアント固有の干渉,負の伝達といった悪循環を生んでいることを確認した。 この問題に対処するために,SC-FSGLという新しい因果関係に着想を得たフレームワークを提案する。 具体的には、クライアント条件付きマスクを介してソフトな介入をシミュレートする条件分離モジュールを導入し、スパイラル信号から不変の時空間因果分解と、クライアントの不均一性に起因する表現の絡み合いを緩和する。 さらに,因果的プロトタイプをクラスタリングし,コントラスト学習を通じて局所的な表現を調整し,クロスクライアント一貫性を促進し,多様な時空間パターン間の知識共有を容易にする因果的コードブックを提案する。 5つの多様な異種時空間グラフ(STG)データセットの実験は、SC-FSGLが最先端の手法より優れていることを示している。

関連論文リスト

• Rethinking Federated Graph Foundation Models: A Graph-Language Alignment-based Approach [8.517604507672262]
  フェデレーショングラフ基礎モデル(FedGFMs)の最近の研究は、グラフ基礎モデルを訓練するために集中的なデータストレージを持つという理想的かつ持続不可能な仮定を破っている。 ベクトル量子化されたバックボーンを経由した離散トークン空間上の一般化可能な知識が、量子化過程中に不可逆的な知識損失に悩まされるという研究は、現存する。
  論文  参考訳（メタデータ） (2026-01-29T07:50:00Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Unlocking Dynamic Inter-Client Spatial Dependencies: A Federated Spatio-Temporal Graph Learning Method for Traffic Flow Forecasting [13.035721364418471]
  Federated Spatio-Temporal Graph with Dynamic Inter-Client Dependencies (FedSTGD)は、フェデレート学習における動的クライアント間空間依存をモデル化し、再構築するためのフレームワークである。 4つの実世界のデータセットの実験は、FedSTGDが最先端のベースラインよりも優れたパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-11-13T15:57:19Z)
• 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)
• FedSSP: Federated Graph Learning with Spectral Knowledge and Personalized Preference [31.796411806840087]
  フェデレートされたグラフ学習(pFGL)は、プライバシーを損なうことなく、グラフニューラルネットワーク(GNN)の分散トレーニングを容易にする。 それまでのpFGLメソッドは、非ジェネリックな知識を全世界で誤って共有し、パーソナライズされたソリューションをローカルにカスタマイズできなかった。 提案するpFGLフレームワークであるFedSSPを提案する。
  論文  参考訳（メタデータ） (2024-10-26T07:09:27Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [55.0981921695672]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)

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。