論文の概要: Graph Federated Unlearning for Privacy Preservation

• arxiv url: http://arxiv.org/abs/2605.02297v1
• Date: Mon, 04 May 2026 07:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.180377
• Title: Graph Federated Unlearning for Privacy Preservation
• Title（参考訳）: プライバシー保護のためのグラフフェデレーション・アンラーニング
• Authors: Ruotong Ma, Wentao Yu, Qizhou Wang, Jie Yang, Chen Gong,
• Abstract要約: グラフ学習(GFL)は、機密性の高いユーザ情報をローカルに保ちながら、分散グラフデータの分散トレーニングを容易にする。 分散化されてさえも、ユーザ情報は停止後に持続し、中央サーバに伝播し、悪意のあるクライアントに再配布される可能性がある。 ユーザー離脱時のプライバシー漏洩は、GFLではめったに注目されていない。 プライバシー保護の信頼性を厳格に評価し,検証するための新しい会員推論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）: 16.165485476235972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph federated learning (GFL) facilitates decentralized training on distributed graph data while keeping sensitive user information local, aligning with policies such as GDPR and CCPA that grant users the right to freely join or withdraw from learning systems. However, even decentralized, user information can persist after quitting, potentially propagating to central servers and then redistributing to malicious clients. This privacy leakage during user withdrawal, despite its importance, has received seldom attention in GFL. To fill the gap, we explore the potential of machine unlearning (MU) to thoroughly remove user information. However, classical MU methods are known to degrade overall performance, a problem that is exacerbated in GFL due to local message passing and global model collaboration. To this end, we make two adjustments to mitigate this challenge for GFL. First, we ensure unlearning updates that minimally affect overall performance, steering them in directions orthogonal to the gradients from learning other data. Second, we introduce virtual clients, maintained by the central server, to preserve graph topology and global embeddings without recovering information of removed entities. We conduct comprehensive experiments under a representative user-withdrawal scenario and propose a novel membership inference framework to rigorously evaluate and validate the reliability of our privacy preservation. The experimental results demonstrate the effectiveness of our approach, which also surpasses the performance of seven state-of-the-art baseline methods.
• Abstract（参考訳）: グラフフェデレーション学習(GFL)は、ユーザが学習システムに自由に参加または離脱する権利を許可するGDPRやCCPAといったポリシーに沿って、機密性の高いユーザ情報をローカルに保持しながら、分散グラフデータに対する分散トレーニングを容易にする。 しかし、分散化されてさえも、ユーザ情報は停止後に持続し、中央サーバーに伝播し、悪意のあるクライアントに再配布される可能性がある。 ユーザー流出時のプライバシー漏洩は、その重要性にもかかわらず、GFLではめったに注目されていない。 このギャップを埋めるために、ユーザ情報を徹底的に除去する機械学習(MU)の可能性を探る。 しかし,従来のMU法は局所的なメッセージパッシングやグローバルなモデル協調によってGFLが悪化する問題として,全体的な性能を低下させることが知られている。 この目的のために、我々はGFLの課題を軽減するために2つの調整を行っている。 まず、学習しない更新が全体的なパフォーマンスに最小限に影響を与え、他のデータ学習の勾配に直交する方向に調整する。 第二に、中央サーバが管理する仮想クライアントを導入し、削除されたエンティティの情報を復元することなく、グラフトポロジとグローバルな埋め込みを保存する。 代表的ユーザ・アンドラワルシナリオの下で包括的な実験を行い、プライバシー保護の信頼性を厳格に評価し、検証するための新しいメンバーシップ推論フレームワークを提案する。 また, 提案手法の有効性を実証し, 提案手法の有効性を実証した。

関連論文リスト

• Certified Unlearning in Decentralized Federated Learning [24.229643475639293]
  分散連合学習(DFL)では、クライアントがローカル更新を隣人とのみ交換することで、モデル情報がネットワーク全体に伝播し混在する。 ニュートンスタイルの更新に基づくDFLのための新しい認定アンラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-10T05:39:24Z)
• AFed: Algorithmic Fair Federated Learning [13.216737333440596]
  フェデレートラーニング(FL)は、サーバにデータを集中させることなく、複数のクライアント間で協調的な機械学習を促進するため、大きな注目を集めている。 従来のデバイアス法では、センシティブな情報への集中的なアクセスを前提としており、FL設定では現実的ではない。 本稿では,FLにおけるグループフェアネスをクライアントのローカルデータにアクセスせずに促進するフレームワークであるAFedを提案する。
  論文  参考訳（メタデータ） (2025-01-06T03:05:49Z)
• Privacy-Preserving Federated Unlearning with Certified Client Removal [18.36632825624581]
  未学習の最先端の方法は、勾配や局所的に訓練されたモデルなど、FLクライアントからの履歴データを使用する。 本稿では,二要素計算(Two-Party Computation, 2PC)技術を用いたプライバシー保護フェデレーション・アンラーニング手法であるStarfishを提案する。
  論文  参考訳（メタデータ） (2024-04-15T12:27:07Z)
• Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
  フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。 既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。 本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T07:04:48Z)
• Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
  フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。 近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。 本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
  論文  参考訳（メタデータ） (2023-09-14T03:48:27Z)
• Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
  フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。 その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。 我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
  論文  参考訳（メタデータ） (2023-08-20T04:41:01Z)
• Graph Federated Learning with Hidden Representation Sharing [33.01999333117515]
  グラフの学習 (Learning on Graphs, LoG) は、各クライアントがローカルデータが不十分な場合、マルチクライアントシステムで広く利用されている。 フェデレートラーニング(FL)では、モデルをマルチクライアントシステムでトレーニングし、クライアント間で生データを共有する必要がある。 本稿では,まず,マルチクライアントシステムにおいてLoG FLを統一するグラフフェデレーション学習(GFL)問題を定式化し,次に隠れ表現の共有を提案する。
  論文  参考訳（メタデータ） (2022-12-23T05:44:27Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
  データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。 本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
  論文  参考訳（メタデータ） (2020-08-13T04:26:31Z)

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。