Fugu-MT 論文翻訳(概要): Misclassification Rate and Privacy-Utility Trade-offs in Graph Convolutional Networks via Subsampling Stability

論文の概要: Misclassification Rate and Privacy-Utility Trade-offs in Graph Convolutional Networks via Subsampling Stability

arxiv url: http://arxiv.org/abs/2605.01987v1
Date: Sun, 03 May 2026 17:42:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:50.032384
Title: Misclassification Rate and Privacy-Utility Trade-offs in Graph Convolutional Networks via Subsampling Stability
Title（参考訳）: グラフ畳み込みネットワークにおけるサブサンプリング安定性による誤分類率とプライバシ・ユーティリティのトレードオフ
Authors: Yexin Zhang, Zhongtian Ma, Qiaosheng Zhang, Zhen Wang,
Abstract要約: グラフ畳み込みネットワーク(GCN)における差分プライバシー(DP)について,テキストサブサンプリング安定性の枠組みを用いて検討する。本研究は, DP下でのGCNのサブサンプリング安定性を理解するための, 厳密な理論枠組みを提供する。
参考スコア（独自算出の注目度）: 7.472769712476478
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study differential privacy (DP) in Graph Convolutional Networks (GCNs) through the framework of \textit{subsampling stability}. We derive upper bounds on the misclassification rate that depend explicitly on the subsampling probability $p_s$. Furthermore, we characterize the \textit{privacy--utility trade-off} by identifying feasible ranges of $p_s$; if $p_s$ is too large, the stability-based privacy condition becomes difficult to satisfy, yielding vacuous guarantees, whereas if it is too small, accuracy deteriorates. Our results provide the first rigorous theoretical framework for understanding subsampling stability in GCNs under DP.
Abstract（参考訳）: グラフ畳み込みネットワーク (GCN) における差分プライバシー (DP) について, <textit{subsampling stability} の枠組みを用いて検討する。我々は、サブサンプリング確率$p_s$に明示的に依存する誤分類率の上限を導出する。さらに,$p_s$が大きすぎると,安定性に基づくプライバシ条件を満たすことが難しくなり,不確実な保証が得られる一方で,小さすぎると精度が低下する。本研究は, DP下でのGCNのサブサンプリング安定性を理解するための, 厳密な理論枠組みを提供する。

関連論文リスト

Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
論文参考訳（メタデータ） (2026-03-24T17:39:09Z)
Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文参考訳（メタデータ） (2026-02-09T22:48:30Z)
Fundamental Limitations of Favorable Privacy-Utility Guarantees for DP-SGD [7.787109481104569]
本稿では,DP-SGDを$f$差分プライバシーフレームワークで解析する。小さい分離を強制することはノイズ乗算器$$に厳格な下限を課し、達成可能な効用を直接制限することを証明する。実験により, この境界による雑音レベルは, 現実的な訓練環境において, 高い精度で劣化することが確認された。
論文参考訳（メタデータ） (2026-01-15T09:50:36Z)
Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
論文参考訳（メタデータ） (2025-10-08T15:30:27Z)
Privacy Amplification for the Gaussian Mechanism via Bounded Support [64.86780616066575]
インスタンスごとの差分プライバシー(pDP)やフィッシャー情報損失(FIL)といったデータ依存のプライバシ会計フレームワークは、固定されたトレーニングデータセット内の個人に対してきめ細かいプライバシー保証を提供する。本稿では,データ依存会計下でのプライバシ保証を向上することを示すとともに,バウンドサポートによるガウス機構の簡単な修正を提案する。
論文参考訳（メタデータ） (2024-03-07T21:22:07Z)
Type-II Saddles and Probabilistic Stability of Stochastic Gradient Descent [16.849376037005452]
ニューラルネットワークのサドル点を2つのタイプに分けることができ、その中では、勾配ノイズがサドルで消えてしまうため、タイプIIサドルが特に逃れるのが困難である。これらのサドルの周りのSGDのダイナミクスは、ランダム行列積プロセスによって記述される先行次数へと導かれる。我々は,サドル点がSGDに対して魅力的あるいは反発的であり,その力学は,サドルに近い勾配の信号-雑音比に応じて,4つの異なる位相に分類できることを示す。
論文参考訳（メタデータ） (2023-03-23T08:17:10Z)
Tight Second-Order Certificates for Randomized Smoothing [106.06908242424481]
また、ガウス的ランダムな滑らか化のための普遍曲率的境界が存在することを示す。この新たな証明書の正確性を証明することに加えて、SoS証明書は実現可能であり、したがって厳密であることを示す。
論文参考訳（メタデータ） (2020-10-20T18:03:45Z)
Stability Enhanced Privacy and Applications in Private Stochastic Gradient Descent [6.896797484250303]
安定性が向上すれば、プライバシーが向上し、プライバシーユーティリティが確立される。実験は、均一な弾力性保証と選択によるプライバシー保証の有用性を検証する。
論文参考訳（メタデータ） (2020-06-25T13:04:18Z)
Stability of Stochastic Gradient Descent on Nonsmooth Convex Losses [52.039438701530905]
任意のリプシッツ非平滑凸損失に対して,数種類の勾配勾配降下(SGD)に対して,鋭い上下境界を与える。我々の限界は、極端に過剰な集団リスクを伴う、微分的にプライベートな非平滑凸最適化のための新しいアルゴリズムを導出することを可能にする。
論文参考訳（メタデータ） (2020-06-12T02:45:21Z)

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。