論文の概要: Provably Communication-Efficient and Privacy-Preserving Federated Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2605.26243v1
• Date: Mon, 25 May 2026 18:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.306922
• Title: Provably Communication-Efficient and Privacy-Preserving Federated Graph Neural Networks
• Title（参考訳）: 通信効率とプライバシ保護を両立するフェデレーショングラフニューラルネットワーク
• Authors: Zhishuai Guo, Wenhan Wu, Chen Chen, Lei Zhang, Olivera Kotevska, Ravi K Madduri,
• Abstract要約: 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上で強力なパフォーマンスを達成するが、現実のグラフは、プライバシやポリシの制約によって生データを共有できない組織に分散されることが多い。 本稿では,通信効率とプライバシ保護を両立したGNNフレームワークであるCE-FedGNNを提案する。 銀行間対マネーロンダリングベンチマークと引用ネットワークの実験により、CE-FedGNNは、通信を著しく低減し、プライバシー保護ノイズ下で堅牢性を維持するとともに、強力な性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 18.008132027250777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) achieve strong performance on relational data, but real-world graphs are often distributed across organizations that cannot share raw data due to privacy and policy constraints. Existing federated GNN methods either ignore cross-client links, leading to degraded accuracy, or require frequent embedding exchanges, incurring substantial communication and privacy costs. We propose CE-FedGNN, a communication-efficient and privacy-preserving federated GNN framework for learning over such coupled graphs. Our approach avoids sharing raw data or per-round embeddings by infrequently exchanging aggregated node representations. To handle cross-client dependency and staleness, we introduce a moving-average estimator that continuously tracks node representations and enables their stable reuse across rounds. To provide formal privacy guarantees for the released representations, we adopt the metric differential privacy (metric-DP) framework, which measures privacy with respect to distances in the learned embedding space rather than worst-case input perturbations. This yields meaningful guarantees at noise levels where standard differential privacy becomes overly conservative. We establish convergence to a stationary point at a rate of $O(1/\sqrt{T})$ with $O(T^{3/4})$ communication complexity. In addition, we derive $(\varepsilon,δ)$-metric-DP guarantees via Rényi differential privacy composition under a public-cohort threat model. Experiments on synthetic interbank anti-money laundering benchmarks and citation networks demonstrate that CE-FedGNN achieves strong performance while significantly reducing communication and maintaining robustness under privacy-preserving noise.
• Abstract（参考訳）: 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上で強力なパフォーマンスを達成するが、現実のグラフは、プライバシやポリシの制約によって生データを共有できない組織に分散されることが多い。 既存のGNNメソッドは、クロスクライアントリンクを無視し、精度を低下させるか、頻繁な埋め込み交換を必要とし、相当な通信とプライバシコストを発生させる。 本稿では,通信効率とプライバシ保護を両立したGNNフレームワークであるCE-FedGNNを提案する。 我々のアプローチは、集約されたノード表現を頻繁に交換することで、生データや丸ごとの埋め込みを共有することを避けます。 そこで我々は,ノード表現の連続的な追跡と,ラウンド間の安定した再利用を可能にする移動平均推定器を導入する。 解放された表現に対して公式なプライバシ保証を提供するため、最悪の入力摂動ではなく、学習した埋め込み空間における距離に関するプライバシーを測定するメトリックディファレンシャルプライバシ(metric-DP)フレームワークを採用する。 これは、標準の差分プライバシーが過度に保守的になるノイズレベルにおいて有意義な保証をもたらす。 固定点への収束を$O(1/\sqrt{T})$と$O(T^{3/4})$通信複雑性で確立する。 さらに、公共コホート脅威モデルの下で、レニー微分プライバシー構成を介して$(\varepsilon,δ)$-metric-DP保証を導出する。 銀行間対マネーロンダリングベンチマークと引用ネットワークの実験により、CE-FedGNNは、通信を著しく低減し、プライバシー保護ノイズ下で堅牢性を維持するとともに、強力な性能を発揮することが示された。

関連論文リスト

• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• DP-CSGP: Differentially Private Stochastic Gradient Push with Compressed Communication [71.60998478544028]
  本稿では,分散学習グラフのための圧縮通信(termedfrac-CSGP)を用いた差分的プライベート・グラディエント・プッシュを提案する。 一般の非数学的かつ滑らかな目的関数に対して,本アルゴリズムは高精度かつ効率的な通信を実現するために設計されていることを示す。
  論文  参考訳（メタデータ） (2025-12-15T17:37:02Z)
• Blink: Link Local Differential Privacy in Graph Neural Networks via Bayesian Estimation [79.64626707978418]
  分散ノード上でのリンクローカル差分プライバシーを用いてグラフニューラルネットワークをトレーニングする。 当社のアプローチでは、グラフトポロジをより悪用するために、グラフのリンクと学位を別々に、プライバシ予算に費やしています。 当社のアプローチは、様々なプライバシー予算の下での精度において、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-06T17:53:31Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Heterogeneous Randomized Response for Differential Privacy in Graph Neural Networks [18.4005860362025]
  グラフニューラルネットワーク(GNN)は、プライバシ推論攻撃(PIA)の影響を受けやすい 差分プライバシ(DP)保証の下で,ノードの特徴やエッジをPIAに対して保護する機構を提案する。 ノードの特徴とエッジの両レベルで、より優れたランダム化確率とより厳密なエラー境界を導出する。
  論文  参考訳（メタデータ） (2022-11-10T18:52:46Z)
• Muffliato: Peer-to-Peer Privacy Amplification for Decentralized Optimization and Averaging [20.39986955578245]
  ローカルディファレンシャルプライバシ(LDP)の緩和であるペアワイズネットワークディファレンシャルプライバシを導入する。 我々は、局所勾配降下ステップとゴシップ平均化を交互に交互に行う、微分プライベートな分散最適化アルゴリズムを導出する。 我々のアルゴリズムは,グラフ内のノード間距離の関数として,プライバシー保証を増幅することを示す。
  論文  参考訳（メタデータ） (2022-06-10T13:32:35Z)
• GAP: Differentially Private Graph Neural Networks with Aggregation Perturbation [19.247325210343035]
  グラフニューラルネットワーク(GNN)は、ノード表現を学習するグラフデータ用に設計された強力なモデルである。 近年の研究では、グラフデータが機密情報を含む場合、GNNは重大なプライバシー上の懸念を生じさせることが示されている。 我々は,ノードとエッジのプライバシを保護する,差分的にプライベートなGNNであるGAPを提案する。
  論文  参考訳（メタデータ） (2022-03-02T08:58:07Z)

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。