論文の概要: STAGE: Tackling Semantic Drift in Multimodal Federated Graph Learning

• arxiv url: http://arxiv.org/abs/2605.11919v1
• Date: Tue, 12 May 2026 10:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.797659
• Title: STAGE: Tackling Semantic Drift in Multimodal Federated Graph Learning
• Title（参考訳）: STAGE:マルチモーダルフェデレーショングラフ学習におけるセマンティックドリフトの対応
• Authors: Zekai Chen, Xun Wu, Xunkai Li, Yihan Sun, Rong-Hua Li, Guoren Wang,
• Abstract要約: フェデレーショングラフ学習(FGL)は、複数のクライアントにわたるグラフデータの協調トレーニングを可能にする。 鍵となる課題は、異なるモダリティドメインのクライアントが共通のセマンティックスペースを共有していないことだ。 MM-FGLのためのプロトコルファーストフレームワークである textbfSTAGE を提案する。
• 参考スコア（独自算出の注目度）: 48.96526409527749
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated graph learning (FGL) enables collaborative training on graph data across multiple clients. As graph data increasingly contain multimodal node attributes such as text and images, multimodal federated graph learning (MM-FGL) has become an important yet substantially harder setting. The key challenge is that clients from different modality domains may not share a common semantic space: even for the same concept, their local encoders can produce inconsistent representations before collaboration begins. This makes direct parameter coordination unreliable and further causes two downstream problems: forcing heterogeneous client representations into a naively shared semantic space may create false semantic agreement, and graph message passing may amplify residual inconsistency across neighborhoods. To address this issue, we propose \textbf{STAGE}, a protocol-first framework for MM-FGL. Instead of relying on direct parameter averaging, STAGE builds a shared semantic space that first translates heterogeneous multimodal features into comparable representations and then regulates how these representations propagate over local graph structures. In this way, STAGE not only improves cross-client semantic calibration, but also reduces the risk of inconsistency amplification during graph learning. Extensive experiments on 8 multimodal-attributed graphs across 5 graph-centric and modality-centric tasks show that STAGE consistently achieves state-of-the-art performance while reducing per-round communication payload.
• Abstract（参考訳）: フェデレーショングラフ学習(FGL)は、複数のクライアントにわたるグラフデータの協調トレーニングを可能にする。 グラフデータがテキストや画像などのマルチモーダルノード属性をますます含んでいるため、マルチモーダル・フェデレート・グラフ・ラーニング(MM-FGL)は重要かつはるかに難しい設定になっている。 重要な課題は、異なるモダリティドメインのクライアントが共通のセマンティックスペースを共有していないことだ。同じ概念であっても、そのローカルエンコーダはコラボレーションが始まる前に一貫性のない表現を生成することができる。 これは直接的なパラメータ調整を信頼できないものにし、さらに下流の2つの問題を生じさせる: 不均一なクライアント表現をナビゲートされたセマンティック空間に強制することは、偽の意味的合意を生じさせ、グラフメッセージパッシングは近隣の残差の不整合を増幅する。 この問題に対処するために,MM-FGL のためのプロトコルファーストフレームワークである \textbf{STAGE} を提案する。 直接パラメータ平均化に頼る代わりに、STAGEは共有セマンティック空間を構築し、まず不均一なマルチモーダル特徴を同値な表現に変換し、これらの表現が局所グラフ構造上でどのように伝播するかを制御する。 このように、STAGEはクロスクライアントなセマンティックキャリブレーションを改善するだけでなく、グラフ学習時の不整合増幅のリスクを低減する。 5つのグラフ中心およびモダリティ中心のタスクにまたがる8つのマルチモーダル分散グラフに関する大規模な実験により、STAGEは、丸ごとの通信ペイロードを削減しつつ、常に最先端のパフォーマンスを達成することを示す。

関連論文リスト

• Rethinking Federated Graph Foundation Models: A Graph-Language Alignment-based Approach [8.517604507672262]
  フェデレーショングラフ基礎モデル(FedGFMs)の最近の研究は、グラフ基礎モデルを訓練するために集中的なデータストレージを持つという理想的かつ持続不可能な仮定を破っている。 ベクトル量子化されたバックボーンを経由した離散トークン空間上の一般化可能な知識が、量子化過程中に不可逆的な知識損失に悩まされるという研究は、現存する。
  論文  参考訳（メタデータ） (2026-01-29T07:50:00Z)
• Semantic Refinement with LLMs for Graph Representations [37.72134125261354]
  グラフ表現学習のためのデータ適応セマンティック・リファインメントフレームワークDASを提案する。 我々は、テキストリッチグラフとテキストフリーグラフの両方に対するアプローチを評価した。 結果は、セマンティクスに富むグラフに競争力を維持しながら、構造支配グラフに対して一貫した改善を示す。
  論文  参考訳（メタデータ） (2025-12-24T11:10:28Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Rethinking Federated Graph Learning: A Data Condensation Perspective [4.044673636393338]
  フェデレートグラフ学習(FGL)は、マルチクライアントグラフによるグラフニューラルネットワーク(GNN)の協調トレーニングを促進する。 本稿では、FGLデータの不均一性に対処する新しい最適化キャリアとして、凝縮グラフの概念を導入する。 具体的には、一般化された凝縮グラフのコンセンサスを用いて、分散グラフから包括的な知識を集約する。
  論文  参考訳（メタデータ） (2025-05-05T11:23:29Z)
• LLM as GNN: Graph Vocabulary Learning for Text-Attributed Graph Foundation Models [87.68057302738457]
  Text-Attributed Graphs (TAG) は、現実のシナリオにおいてユビキタスである。 大規模言語モデル(LLMs)とグラフニューラルネットワーク(GNNs)をTAGsに統合する努力にもかかわらず、既存のアプローチは分離されたアーキテクチャに悩まされている。 本稿では,グラフ語彙学習に基づくTAGのための汎用GFMであるPromptGFMを提案する。
  論文  参考訳（メタデータ） (2025-03-05T09:45:22Z)
• Against Multifaceted Graph Heterogeneity via Asymmetric Federated Prompt Learning [5.813912301780917]
  本稿では,非対称なグラフ知識の伝達を効率的に行うためのフェデレートグラフプロンプト学習(FedGPL)フレームワークを提案する。 我々は,FedGPLの精度と有効性を示すため,理論解析と広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-11-04T11:42:25Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned Experts [75.51612253852002]
  GraphMETROは、自然多様性をモデル化し、複雑な分散シフトをキャプチャするグラフニューラルネットワークアーキテクチャである。 GraphMETROはGOODベンチマークから4つのデータセットに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-12-07T20:56:07Z)

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。