論文の概要: Generalized Category Discovery in Federated Graph Learning
- arxiv url: http://arxiv.org/abs/2605.08178v1
- Date: Tue, 05 May 2026 08:37:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.430087
- Title: Generalized Category Discovery in Federated Graph Learning
- Title（参考訳）: フェデレーショングラフ学習における一般化カテゴリー発見
- Abstract要約: Federated Graph Generalized Category Discovery (FGGCD)は、分散グラフクライアント間の新しいカテゴリを共同で発見することを目的としている。
本稿では,GCDのためのFGLフレームワークであるGCD-FGLを提案する。
5つの実世界のグラフデータセットの実験は、GCD-FGLが一貫して最先端のベースラインを上回っていることを示している。
- 参考スコア（独自算出の注目度）: 10.91485241015392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated Graph Learning (FGL) enables collaborative learning over distributed graph data, yet existing approaches largely rely on a closed-world assumption, limiting their applicability in dynamic environments where novel categories continuously emerge. To bridge this gap, we target the practical scenario of Federated Graph Generalized Category Discovery (FGGCD), aiming to collaboratively discover novel categories across decentralized graph clients while retaining knowledge of known categories. We observe that FGGCD introduces two fundamental challenges: (1) the Neighborhood Absorption Effect, where structural fragmentation leads to biased neighborhood aggregation, causing novel nodes to be misclassified as known categories; and (2) Global Semantic Inconsistency, where the aforementioned local biases propagate to the server and are amplified by heterogeneous subgraph distributions, hindering cross-client knowledge integration. To address these issues, we propose GCD-FGL, an FGL framework for GCD that integrates a client-side Topology-Reliable Semantic Alignment and Discovery process to mitigate the neighborhood absorption effect, and a server-side Hierarchical Prototype Alignment strategy to resolve global semantic inconsistency. Extensive experiments on five real-world graph datasets demonstrate that GCD-FGL consistently outperforms state-of-the-art baselines, achieving an average absolute gain of +4.86 in HRScore.
- Abstract（参考訳）: フェデレートグラフラーニング(FGL)は、分散グラフデータによる協調学習を可能にするが、既存のアプローチは主にクローズドワールドの仮定に依存しており、新しいカテゴリが継続的に出現する動的環境における適用性を制限している。
このギャップを埋めるために、我々はFGGCD(Federated Graph Generalized Category Discovery)の実践シナリオを目標とし、既知のカテゴリの知識を維持しながら、分散化されたグラフクライアント間で新しいカテゴリを共同で発見することを目的としている。
FGGCDは,(1) 隣り合う吸収効果,(1) 構造的断片化が偏り,新規ノードを既知カテゴリと誤分類する,2) 上記の局所バイアスがサーバに伝播し,異種部分グラフ分布によって増幅されるグローバルセマンティック不整合,などの2つの基本的な課題を導入している。
これらの課題に対処するため、GCD-FGL、クライアント側トポロジ-信頼性の高いセマンティックアライメント・ディスカバリプロセスを統合したGCDのためのFGLフレームワーク、およびグローバルセマンティック不整合を解決するためのサーバ側階層型プロトタイプアライメント戦略を提案する。
5つの実世界のグラフデータセットに対する大規模な実験により、GCD-FGLは最先端のベースラインを一貫して上回り、HRScoreで平均4.86の絶対的なゲインを達成している。
関連論文リスト
- Global to Local: Topology-Preserving Adaptive Graph Pooling via Granular-Ball [18.207001863893083]
本稿では,新しいトポロジ保存型適応グラフポーリング(TPAGP)手法を提案する。
TPAGPはノードの特徴と位相情報を統合してグラフをグラニュラーボールに分割する。
異なる粒度にまたがる特徴相互作用と最適化を容易にする多粒性グラフネットワークモデルを設計する。
論文 参考訳（メタデータ） (2026-09-04T10:32:20Z) - Sheaf-Based Federated Representation Learning [11.430396441085579]
SFRL(Sheaf-based Federated Representation Learning)
我々は、局所モデルの勾配更新とエッジワイド制約マップの閉形式Procrustes更新を交互に行う、SFRL(Sheaf-FRL)と呼ばれる分散アルゴリズムを開発した。
応用として,セマンティックコミュニケーションの文脈における協調的な分類課題を考える。
論文 参考訳（メタデータ） (2026-08-08T16:38:34Z) - Robust Contrastive Graph Clustering with Adaptive Local-Global Integration [10.185975874676995]
マルチスケールな局所構造とグローバルなセマンティクスを協調的に統合するグラフクラスタリングフレームワークを提案する。
8つの実世界のグラフデータセットに対する実験により,本手法が競合クラスタリング性能を実現することを示す。
論文 参考訳（メタデータ） (2026-05-27T09:29:17Z) - 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) - 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) - Unsupervised Graph Anomaly Detection via Multi-Hypersphere Heterophilic Graph Learning [7.277472116667557]
Graph Anomaly(GAD)は、eコマース詐欺や悪意のあるユーザー検出など、さまざまなデータマイニングアプリケーションにおいて重要な役割を果たす。
本稿では,潜在的な異常に対する識別可能な異常表現を学習するためのヘテロ親和性グラフ検出(HGE)モジュールを提案する。
そこで本稿では,コンテキスト依存型異常の検出能力を高めるために,マルチハイパースフィア学習(MHL)モジュールを提案する。
論文 参考訳（メタデータ） (2025-03-15T08:08:13Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - 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) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-03T15:00:31Z)
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。