論文の概要: Beyond Rigid Alignment: Graph Federated Learning via Dual Manifold Calibration

• arxiv url: http://arxiv.org/abs/2605.06260v1
• Date: Thu, 07 May 2026 13:35:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.851445
• Title: Beyond Rigid Alignment: Graph Federated Learning via Dual Manifold Calibration
• Title（参考訳）: Rigid Alignmentを超えて - デュアルマニフォールド校正によるグラフフェデレーション学習
• Authors: Wentao Yu, Bo Han, Jie Yang, Chen Gong,
• Abstract要約: グラフフェデレーション学習(GFL)は、プライバシを保持しながら、分散サブグラフ間の協調的な表現学習を可能にする。 統一多様体の観点から意味的不均一性に取り組む新しいパラダイムであるFederated Graph Manifold (FedGMC)を提案する。 我々は,FedGMCがグローバルな共通性と局所的なパーソナライゼーションのバランスを効果的に保ち,最先端のベースライン法を著しく上回ることを示す。
• 参考スコア（独自算出の注目度）: 35.251447232161404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Federated Learning (GFL) enables collaborative representation learning across distributed subgraphs while preserving privacy. However, heterogeneity remains a critical challenge, as subgraphs across clients typically differ significantly in both semantics and structures. Existing methods address heterogeneity by enforcing the rigid alignment of model parameters or prototypes between clients and the server. However, these alignments implicitly rely on a restrictive global linearity assumption that summarizes local data distributions using a single and globally consistent representation space. This severely compresses the personalized representation space of clients and fails to preserve diverse local graph distributions. To overcome these limitations, we propose Federated Graph Manifold Calibration (FedGMC), a novel paradigm that tackles semantic heterogeneity and structural heterogeneity from a unified manifold perspective. Instead of enforcing rigid alignment, FedGMC introduces a dual manifold calibration mechanism that preserves global commonalities while maximizing the personalized representation space of local clients. Specifically, for semantic heterogeneity, the server constructs a geometrically optimal semantic manifold via equidistant semantic anchors, so as to guide the calibration of local semantic manifolds. For structural heterogeneity, the server constructs a global structural manifold by building global structural templates, so as to guide the calibration of local structural manifolds. Finally, the server dynamically refines both global semantic manifolds and structural manifolds by aggregating local manifolds. Extensive experiments on eleven homophilic and heterophilic graphs demonstrate that FedGMC effectively balances global commonality and local personalization, thereby significantly outperforming 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、プライバシを保持しながら、分散サブグラフ間の協調的な表現学習を可能にする。 しかしながら、クライアント間のサブグラフは一般的に意味論と構造の両方で大きく異なるため、不均一性は依然として重要な課題である。 既存の方法は、モデルパラメータやプロトタイプをクライアントとサーバの間で厳格にアライメントすることで、不均一性に対処する。 しかし、これらのアライメントは、単一かつ大域的に一貫した表現空間を用いて局所的なデータ分布を要約する制限的な大域的線形性仮定に暗黙的に依存している。 これは、クライアントのパーソナライズされた表現空間を厳しく圧縮し、多様な局所グラフ分布を保存するのに失敗する。 これらの制約を克服するため、統一多様体の観点から意味的不均一性と構造的不均一性に取り組む新しいパラダイムであるFederated Graph Manifold Calibration (FedGMC)を提案する。 厳密なアライメントを強制する代わりに、FedGMCは、局所クライアントのパーソナライズされた表現空間を最大化しながら、グローバルな共通性を保った双対多様体キャリブレーション機構を導入する。 具体的には、意味的不均一性のために、サーバは局所的意味的多様体のキャリブレーションを導くために等距離意味的アンカーを通して幾何学的に最適な意味的多様体を構築する。 構造的不均一性のために、サーバは局所的構造的多様体のキャリブレーションを導くために、大域的構造的テンプレートを構築することによって大域的構造的多様体を構築する。 最後に、サーバは局所多様体を集約することで大域的意味多様体と構造多様体の両方を動的に洗練する。 11個のホモ親和性グラフとヘテロ親和性グラフの広範な実験により、FedGMCはグローバルな共通性と局所的なパーソナライゼーションのバランスを効果的に保ち、それによって最先端のベースライン法を大幅に上回ることを示した。

関連論文リスト

• From Coordinate Matching to Structural Alignment: Rethinking Prototype Alignment in Heterogeneous Federated Learning [23.704003173950905]
  不均一連合学習(HtFL)は、データ分散とモデルアーキテクチャの両方で異なるクライアント間の協調を可能にすることを目的としている。 既存のプロトタイプベースのHtFLメソッドは、通常、MSEベースのもしくはコサインベースのアライメント機構を再利用する。 我々は,アライメントの目的を絶対座標からクラス間関係構造へシフトさせるFedSAFを提案する。
  論文  参考訳（メタデータ） (2026-05-07T10:06:26Z)
• Empowering Heterogeneous Graph Foundation Models via Decoupled Relation Alignment [20.128308877213044]
  Decoupled Relation Subspace Alignment (DRSA)は、新しいプラグアンドプレイ関係駆動フレームワークである。 特徴的意味論を関係構造から切り離すことによってパラダイムを根本的にシフトさせる。 ユニバーサルプリプロセッシングモジュールとしてシームレスに統合することができる。
  論文  参考訳（メタデータ） (2026-05-01T15:31:36Z)
• 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)
• Generalized and Personalized Federated Learning with Foundation Models via Orthogonal Transformations [4.008780119020479]
  Federated Learningは、集中的なデータ収集を必要とせずに、分散化されたクライアントやローカルデータを保持するデバイス間でモデルをトレーニングすることを目的としている。 我々は,ブラックボックス基盤モデルを活用した新しいアプローチであるFedOTを紹介する。 FedOTは、さまざまなクライアント間の勾配競合を緩和し、セマンティックな整合性を保持し、実質的なデータの存在下でも堅牢なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-26T12:18:24Z)
• 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)
• AdaFGL: A New Paradigm for Federated Node Classification with Topology Heterogeneity [44.11777886421429]
  Federated Graph Learning (FGL) はグラフニューラルネットワークに基づく分散フレームワークとして注目されている。 構造的非イド分割の概念を導入し、次に、UnderlineAdaptive UnderlineFederated UnderlineGraph UnderlineLearning (AdaFGL)と呼ばれる新しいパラダイムを示す。 提案したAdaFGLは,コミュニティ分割の3.24%,コミュニティ分割の5.57%,非イド分割の5.57%でベースラインを上回った。
  論文  参考訳（メタデータ） (2024-01-22T08:23:31Z)
• Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
  局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。 具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。 さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
  論文  参考訳（メタデータ） (2023-08-31T12:12:30Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
  ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。 本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。 4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:27:50Z)

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。