論文の概要: Federated Cross-Client Subgraph Pattern Detection

• arxiv url: http://arxiv.org/abs/2605.06433v1
• Date: Thu, 07 May 2026 15:35:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.945162
• Title: Federated Cross-Client Subgraph Pattern Detection
• Title（参考訳）: Federated Cross-Client Subgraph Pattern Detection
• Authors: Selin Ceydeli, Rui Wang, Kubilay Atasu,
• Abstract要約: サブグラフパターン検出は、グラフ内の複雑な相互作用構造を明らかにすることを目的としている。 最先端グラフニューラルネットワーク(GNN)ベースのソリューションは、グラフ全体への集中的なアクセスを前提としている。 分割境界を横断する部分グラフパターンが局所的に識別できない構造的可観測性問題としてこれを定式化する。
• 参考スコア（独自算出の注目度）: 3.903194329577748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subgraph pattern detection aims to uncover complex interaction structures in graphs. However, state-of-the-art graph neural network (GNN)-based solutions assume centralized access to the entire graph. When graphs are instead distributed across multiple parties, client-local GNN computations diverge from those of a centralized model, resulting in a representation-equivalence gap. We formalize this as a structural observability problem, where subgraph patterns crossing partition boundaries become locally unidentifiable. To bridge this gap, we propose a per-step, layer-wise embedding exchange framework in which clients synchronize intermediate node representations at each layer of the forward pass, without exposing raw features or labels. Under an extended-subgraph assumption and shared model parameters across clients, this framework recovers the same node representations as a centralized GNN over the full graph. Experiments on synthetic directed multigraphs with cycles, bicliques, and scatter-gather patterns show that embedding exchange and federated parameter aggregation are complementary rather than interchangeable: their combination recovers most of the representation gap, provided exchanged embeddings are fresh per-step rather than stale per-epoch.
• Abstract（参考訳）: サブグラフパターン検出は、グラフ内の複雑な相互作用構造を明らかにすることを目的としている。 しかし、最先端グラフニューラルネットワーク(GNN)ベースのソリューションは、グラフ全体への集中的なアクセスを前提としている。 グラフが複数のパーティに分散される場合、クライアントローカルなGNN計算は集中型のモデルから切り離され、表現等価性のギャップが生じる。 分割境界を横断する部分グラフパターンが局所的に識別できない構造的可観測性問題としてこれを定式化する。 このギャップを埋めるために、クライアントが生の特徴やラベルを露呈することなく、フォワードパスの各層で中間ノード表現を同期するステップ単位の埋め込み交換フレームワークを提案する。 拡張サブグラフの仮定とクライアント間のモデルパラメータの共有の下で、このフレームワークは全グラフ上の集中GNNと同じノード表現を復元する。 周期, 双斜線, 散乱ガターパターンを用いた合成有向多重グラフの実験では, 埋め込み交換とフェデレートされたパラメータアグリゲーションは交換可能ではなく相補的であることが示され, それらの組み合わせは表現ギャップの大部分を回復する。

関連論文リスト

• 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)
• Federated Hypergraph Learning with Local Differential Privacy: Toward Privacy-Aware Hypergraph Structure Completion [9.163655213173067]
  FedHGLは、非結合性およびプライバシー制約のあるハイパーグラフパーティションに関する連邦ハイパーグラフ学習のための第一種フレームワークである。 We developed FedHGL, a first-of-in-kind framework for Federated hypergraph learning on disjoint and privacy-constrained hypergraph partitions。
  論文  参考訳（メタデータ） (2024-08-09T16:31:41Z)
• SSHPool: The Separated Subgraph-based Hierarchical Pooling [47.78745802682822]
  グラフ分類のための新しい局所グラフプーリング法,すなわち分離部分グラフベース階層プール(SSH)を開発した。 局所グラフ畳み込み単位を局所構造として個別に用いて各部分グラフをより粗いノードに圧縮する。 我々は、グラフ分類のためのSSHPoolモジュールに関連するエンドツーエンドのGNNフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-03-24T13:03:35Z)
• FedGT: Federated Node Classification with Scalable Graph Transformer [27.50698154862779]
  本稿では,スケーラブルな textbfFederated textbfGraph textbfTransformer (textbfFedGT) を提案する。 FedGTは、最適なトランスポートで整列したグローバルノードに基づいて、クライアントの類似性を計算する。
  論文  参考訳（メタデータ） (2024-01-26T21:02:36Z)
• Addressing Heterophily in Node Classification with Graph Echo State Networks [11.52174067809364]
  ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。 GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。 実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-14T19:42:31Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)

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。