論文の概要: TGHE: Template-based Graph Homomorphic Encryption for Privacy-Preserving GNN Inference in Edge-Cloud Systems

• arxiv url: http://arxiv.org/abs/2606.26664v1
• Date: Thu, 25 Jun 2026 06:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.188184
• Title: TGHE: Template-based Graph Homomorphic Encryption for Privacy-Preserving GNN Inference in Edge-Cloud Systems
• Title（参考訳）: TGHE:エッジクラウドシステムにおけるプライバシ保護GNN推論のためのテンプレートベースのグラフ同型暗号化
• Abstract要約: 既存のホモモルフィック暗号(HE)ベースのGNNシステムは、クエリごとのコストとグローバルグラフサイズを結合するグラフ中心のパラダイムを採用している。 我々は、テンプレート現象を利用してこれを解決するエゴ中心のフレームワークであるTGHEを提案し、トランザクショングラフの局所木は、小さな構造の集合に収束する。 TGHEはエッジでエゴグラフを標準化し、構造上同一のツリーをSIMD並列暗号化推論のための共有暗号文にまとめる。
• 参考スコア（独自算出の注目度）: 1.9552564628602804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing homomorphic encryption (HE)-based GNN systems adopt a graph-centric paradigm that couples per-query cost to global graph size, limiting evaluations to at most ~20k nodes and making them incompatible with dynamic, large-scale financial graphs. We propose TGHE (Template-based Graph Homomorphic Encryption), an ego-centric framework that resolves this by exploiting a template phenomenon: local computation trees in transaction graphs converge into a small set of structural shapes. TGHE canonicalizes ego-graphs at the edge and packs structurally identical trees into shared CKKS ciphertexts for SIMD-parallel encrypted inference, with two long-tail optimizers (Approximate Template Fitting and Topology Collapse) ensuring full SIMD coverage. On DGraphFin (3.7M nodes, 4.3M edges), TGHE-Collapse achieves a 66.9x speedup over the sequential encrypted baseline with less than 0.002 AUC loss.
• Abstract（参考訳）: 既存のホモモルフィック暗号化(HE)ベースのGNNシステムは、クエリ毎のコストとグローバルグラフサイズを結合するグラフ中心のパラダイムを採用し、評価を最大20kノードに制限し、動的で大規模な財務グラフと互換性を持たせる。 TGHE (Template-based Graph Homomorphic Encryption) は,テンプレート現象を利用したエゴ中心のフレームワークである。 TGHEは、エッジでのエゴグラフを標準化し、構造上同一のツリーをSIMD並列暗号化推論のための共有CKKS暗号文にパックし、2つの長尾オプティマイザ(Approximate Template FittingとTopology Collapse)で完全なSIMDカバレッジを保証する。 DGraphFin(3.7Mノード、4.3Mエッジ)では、TGHE-Collapseは、0.002AUCロス未満のシーケンシャル暗号化ベースライン上で66.9倍のスピードアップを達成する。

関連論文リスト

• CoRe-GNN: Multilevel Message passing on Coarsened graphs [13.325673513204377]
  グラフニューラルネットワークを大きなグラフでトレーニングすることは、層間のノード表現のメモリコストに悩まされる。 既存の拡張性のあるアプローチを,GNN伝搬行列の構造化された修正として記述できることを示す。 特にグラフの粗化は、スペクトル保証を可能にするが、ノードに一様表現を割り当てるローランク近似によって置き換える。
  論文  参考訳（メタデータ） (2026-08-03T12:18:58Z)
• AdaGraph: A Graph-Native Clustering Algorithm That Overcomes the Curse of Dimensionality and Enables Scientific Discovery [0.0]
  本稿では,Structure-Centric Machine Learning(SC-ML)パラダイムから生まれたグラフネイティブクラスタリングアルゴリズムであるAdaGraphを紹介する。 AdaGraphは、完全にkNNグラフトポロジー内で動作する。 Graph-SCOPEは、独自のSC-MLコントリビューションとして導入されたトポロジベースのクラスタ妥当性インデックスである。
  論文  参考訳（メタデータ） (2026-05-05T01:42:59Z)
• GraphTreeGen: Subtree-Centric Approach to Efficient and Supervised Graph Generation [6.138671548064356]
  GraphTreeGen(GTG)は、効率的な正確なコネクトーム合成のためのサブツリー中心の生成フレームワークである。 GTGはそれぞれのコネクトームをエントロピー誘導のkホップ木に分解し、情報的局所構造を捉える。 モジュラー設計により、超解像とクロスモダリティ合成を接続できる。
  論文  参考訳（メタデータ） (2025-08-13T11:02:38Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Disentangled Condensation for Large-scale Graphs [29.384060761810172]
  グラフニューラルネットワーク(GNN)の高価なトレーニングコストを節約するための興味深いテクニックとして、グラフ凝縮が登場した。 本稿では, 凝縮過程を2段階のGNNフリーパラダイムに分解し, ノードを独立に凝縮し, エッジを生成することを提案する。 この単純で効果的なアプローチは、中規模グラフの精度に匹敵する精度で最先端の手法よりも少なくとも10倍早く達成できる。
  論文  参考訳（メタデータ） (2024-01-18T09:59:00Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• SCGC : Self-Supervised Contrastive Graph Clustering [1.1470070927586016]
  グラフクラスタリングはネットワーク内のグループやコミュニティを検出する。 オートエンコーダのような深層学習手法は、豊富な構造情報を組み込むことはできない。 自己監督型コントラストグラフクラスタリング(SCGC)を提案する。
  論文  参考訳（メタデータ） (2022-04-27T01:38:46Z)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
  本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。 グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
  論文  参考訳（メタデータ） (2021-02-12T21:52:43Z)
• Connecting Graph Convolutional Networks and Graph-Regularized PCA [23.592657600394215]
  GCNモデルのグラフ畳み込み演算子は、もともとスペクトルグラフ畳み込みの局所化一階近似から動機付けられたものである。 グラフ畳み込みとグラフ正規化PCA(GPCA)のテキスト数学的接続を確立する。
  論文  参考訳（メタデータ） (2020-06-22T14:27:02Z)

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。