Fugu-MT 論文翻訳(概要): DG-CoLearn: An Efficient Collaborative Learning Framework for Dynamic Graphs

論文の概要: DG-CoLearn: An Efficient Collaborative Learning Framework for Dynamic Graphs

arxiv url: http://arxiv.org/abs/2605.31427v1
Date: Fri, 29 May 2026 15:23:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.697662
Title: DG-CoLearn: An Efficient Collaborative Learning Framework for Dynamic Graphs
Title（参考訳）: DG-CoLearn:動的グラフのための効率的な協調学習フレームワーク
Abstract要約: 動的グラフ学習(DGL)は、進化するグラフデータのモデリングには不可欠であるが、既存の手法では計算オーバーヘッドがかなり大きい。 DG-CoLearnは、インクリメンタルグラフスナップショット処理に基づいて構築された、クライアントが共用する動的グラフ学習フレームワークである。大規模な実験により、DG-CoLearnは最大33.8$times$トレーニング時間でのスピードアップと27.4$times$通信オーバーヘッドの削減を達成した。
参考スコア（独自算出の注目度）: 12.404654269488129
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dynamic graph learning (DGL) is essential for modelling evolving graph data, but existing methods suffer from significant computational overhead due to repeated full-snapshot retraining and are not well-suited for collaborative settings with partitioned data. In realistic graph systems, cross-partition edges are unavoidable, but direct sharing of graph structure between clients may violate privacy constraints. We propose DG-CoLearn, a client-oblivious collaborative dynamic graph learning framework built on incremental graph snapshot processing, which focuses computation on graph regions affected by temporal updates while preserving historical information through temporal modelling. This incremental design is consistently applied across the entire graph processing pipeline, including a server-mediated embedding exchange mechanism to enable accurate multi-hop message passing without exposing raw cross-client structural information. Extensive experiments demonstrate that DG-CoLearn achieves up to 33.8$\times$ speedup in training time and 27.4$\times$ reduction in communication overhead, while consistently improving predictive performance on both node classification (up to 13.36% F1 improvement) and link prediction (up to 8.27% MAP improvement) tasks. These results highlight the effectiveness of DG-CoLearn in bridging efficiency, scalability, and client-to-client structural privacy in collaborative dynamic graph learning.
Abstract（参考訳）: 動的グラフ学習(DGL)は、進化するグラフデータのモデリングには不可欠であるが、既存の手法では、フルスナップショットの再トレーニングを繰り返し行うため、計算オーバーヘッドが著しくなり、分割データとの協調的な設定には適していない。現実的なグラフシステムでは、パーティションエッジは避けられないが、クライアント間でグラフ構造を直接共有することは、プライバシーの制約に反する可能性がある。 DG-CoLearnは,時間的更新によって影響を受けるグラフ領域の計算に焦点を合わせ,時間的モデリングによる履歴情報の保存を行う,インクリメンタルグラフスナップショット処理をベースとした,クライアント対応の協調的動的グラフ学習フレームワークである。このインクリメンタルな設計は、生のクロスクライアント構造情報を公開することなく、正確にマルチホップメッセージパッシングを可能にするサーバ経由の埋め込み交換機構を含む、グラフ処理パイプライン全体にわたって一貫して適用されます。大規模な実験では、DG-CoLearnは訓練時間の最大33.8$\times$スピードアップと通信オーバーヘッドの27.4$\times$ダウンを実現し、ノード分類(最大13.36% F1改善)とリンク予測(最大8.27%MAP改善)の両方で予測性能を継続的に改善している。これらの結果は、協調動的グラフ学習におけるブリッジ効率、スケーラビリティ、クライアントからクライアントへの構造的プライバシにおけるDG-CoLearnの有効性を強調した。

関連論文リスト

GRAIL:Learning to Interact with Large Knowledge Graphs for Retrieval Augmented Reasoning [13.481673780508215]
GRAILは、検索強化推論のための大規模グラフと相互作用するように設計されたフレームワークである。 GRAILは知識グラフ問合せデータセットの平均精度を21.01%改善し、F1改善を22.43%改善する。
論文参考訳（メタデータ） (2025-08-07T15:34:41Z)
MassiveGNN: Efficient Training via Prefetching for Massively Connected Distributed Graphs [11.026326555186333]
本稿では,現在最先端のAmazon DistDGL分散GNNフレームワーク上に,パラメータ化された連続プリフェッチと消去方式を提案する。 NERSC(National Energy Research Scientific Computing Center)のPerlmutterスーパーコンピュータでは、エンドツーエンドのトレーニング性能が15～40%向上している。
論文参考訳（メタデータ） (2024-10-30T05:10:38Z)
FedGraph: A Research Library and Benchmark for Federated Graph Learning [57.769105634569314]
フェデレーショングラフ学習は、重要な実践上の課題を持つ新興分野である。我々は,実践的な分散トレーニングを目的とした研究ライブラリであるFedGraphを紹介する。 FedGraphは最先端のグラフ学習メソッドをサポートし、システムパフォーマンスを評価するモニタリングクラスを含んでいる。
論文参考訳（メタデータ） (2024-10-08T20:18:18Z)
Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
論文参考訳（メタデータ） (2024-05-23T10:26:18Z)
Co-attention Graph Pooling for Efficient Pairwise Graph Interaction Learning [19.58671020943416]
グラフニューラルネットワーク(GNN)は、グラフ構造化データからの処理と学習に有効であることが証明されている。グラフプーリングにおけるコアテンションを用いた相互作用表現抽出のための,新しい,効率的なグラフレベルアプローチを提案する。筆者らの手法であるCAGPool(Co-Attention Graph Pooling)は,従来の手法と比較して,分類処理と回帰処理の両面での競合性能を示す。
論文参考訳（メタデータ） (2023-07-28T07:53:34Z)
Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文参考訳（メタデータ） (2023-05-18T06:17:50Z)
GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文参考訳（メタデータ） (2023-04-06T03:02:54Z)
GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T02:58:36Z)
Causal Incremental Graph Convolution for Recommender System Retraining [89.25922726558875]
実世界のレコメンデーションシステムは、新しいデータを維持するために定期的に再トレーニングする必要がある。本研究では,GCNに基づくレコメンデータモデルを用いて,グラフ畳み込みネットワーク(GCN)を効率的に再学習する方法を検討する。
論文参考訳（メタデータ） (2021-08-16T04:20:09Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。