論文の概要: FedOGL: Combating Catastrophic Forgetting in Federated Open-World Multimodal Graph Learning

• arxiv url: http://arxiv.org/abs/2607.27665v1
• Date: Thu, 30 Jul 2026 04:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.394698
• Title: FedOGL: Combating Catastrophic Forgetting in Federated Open-World Multimodal Graph Learning
• Title（参考訳）: FedOGL:Federated Open-World Multimodal Graph Learningにおける破滅的な予測
• Abstract要約: フェデレートされたグラフ学習は、生のグラフ情報を共有せずに、分散化されたグラフデータに対する協調的なトレーニングを可能にする。 クライアントは、過去のカテゴリを保持しながら、プライベートなマルチモーダルグラフストリームから新しいクラスを学習し、現在の既知のクラス空間の外でサンプルを拒否する必要がある。 セマンティック・構造記憶保存フレームワークである textbfFedOGL を提案する。
• 参考スコア（独自算出の注目度）: 26.774513573509108
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated graph learning enables collaborative training over decentralized graph data without sharing raw graph information. As such risks evolve, clients must learn emerging classes from private multimodal graph streams, retain historical categories, and reject samples outside the known class space. In this setting, clients must learn emerging classes from private multimodal graph streams while preserving historical categories and rejecting samples outside the current known class space. The core challenge is catastrophic forgetting, which in federated multimodal graphs is not merely a classifier-level failure: old knowledge can be erased through modality-semantic overwriting, topology-induced structural erosion, and federated memory fragmentation. To address this challenge, we propose \textbf{FedOGL}, a semantic-structural memory preservation framework. On the client side, FedOGL preserves historical decision behavior through replay and task-start distillation, while protecting graph-propagation memory via projection onto a globally shared structure basis. On the server side, FedOGL maintains and transfers compact category prototypes to facilitate cross-client knowledge sharing without exposing raw graph data. Extensive experiments demonstrate that, compared with the best-performing baselines, FedOGL reduces performance degradation caused by catastrophic forgetting by \textbf{42.67\%}, while maintaining or improving performance on downstream tasks.
• Abstract（参考訳）: フェデレートされたグラフ学習は、生のグラフ情報を共有せずに、分散化されたグラフデータに対する協調的なトレーニングを可能にする。 このようなリスクが進化するにつれて、クライアントはプライベートなマルチモーダルグラフストリームから新しいクラスを学び、過去のカテゴリを保持し、既知のクラス空間外のサンプルを拒絶する必要がある。 この設定では、クライアントは、過去のカテゴリを保持しながら、プライベートなマルチモーダルグラフストリームから新しいクラスを学習し、現在の既知のクラス空間の外でサンプルを拒否する必要があります。 連邦化されたマルチモーダルグラフは単なる分類器レベルの失敗ではない: 古い知識は、モダリティ・セマンティックな上書き、トポロジーによって引き起こされた構造的侵食、およびフェデレートされたメモリの断片化によって消される。 この課題に対処するために,意味構造記憶保存フレームワークである \textbf{FedOGL} を提案する。 クライアント側では、FedOGLはリプレイやタスク開始蒸留を通じて過去の決定行動を保持し、グラフプロパゲーションメモリをグローバルに共有された構造ベースにプロジェクションすることで保護する。 サーバ側では、FedOGLは、生のグラフデータを公開することなく、クロスクライアントな知識共有を容易にするために、コンパクトなカテゴリプロトタイプを維持し、転送する。 大規模な実験では、最高性能のベースラインと比較して、FedOGLは、ダウンストリームタスクのパフォーマンスを維持したり改善したりしながら、 \textbf{42.67\%} による破滅的な忘れ込みによるパフォーマンス劣化を低減する。

関連論文リスト

• FedLAB: Traceable Semantic Codebooks for Federated Multimodal Graph Foundation Learning [47.940785803361415]
  FedLABはトレース可能なセマンティックコードブックフレームワークで、マルチモーダルグラフの知識をモダリティエビデンス、ノードセマンティクス、トポロジーコンテキストのための型付きコードブックに整理する。 実験によると、FedLABは、ネイティブなセマンティックトレースインターフェースを保持しながら、最先端のベースラインを7.53%改善している。
  論文  参考訳（メタデータ） (2026-06-30T17:47:39Z)
• PRISM: Topology-Aware Cross-Modal Imputation for Modality-Deficient Federated Graph Learning [54.55726437469762]
  textbfProactive textbfRetrievalおよび textbfImputation via textbfStructural textbfMeta-prompting を提案する。 実験の結果、PRISMはモダリティに欠けるクライアントを一貫して改善し、textbf4.48% で最先端のベースラインを上回った。
  論文  参考訳（メタデータ） (2026-06-08T10:08:52Z)
• 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)
• Cooperative Pseudo Labeling for Unsupervised Federated Classification [62.9387841396335]
  Unsupervised Federated Learning (UFL)は、データを共有したりラベル情報にアクセスしたりすることなく、分散クライアント間でグローバルモデルを協調的にトレーニングすることを目的としている。 我々は、新しい方法、 underlinetextbfFederated underlinetextbfCooperative underlinetextbfPseudo underlinetextbfLabeling (textbfFedCoPL)を提案する。 特に、一般的な画像特徴を含む視覚的プロンプトをサーバに集約し、パーソナライズされた知識をコードするテキストプロンプトをローカルに保持する。
  論文  参考訳（メタデータ） (2025-10-11T08:18:26Z)
• Curriculum Guided Personalized Subgraph Federated Learning [8.721619913104899]
  Subgraph Federated Learning (FL)は、分散プライベートサブグラフ間でグラフニューラルネットワーク(GNN)をトレーニングすることを目的としている。 重み付きモデルアグリゲーションは、類似のサブグラフ特性を持つクライアントからパラメータにより大きな重みを割り当てることで、各ローカルGNNをパーソナライズする。 そこで我々は,Curriculum Guided PersonalsUbgraph Federated Learning (CUFL) という新たなサブグラフFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T08:01:36Z)
• GraphFedMIG: Tackling Class Imbalance in Federated Graph Learning via Mutual Information-Guided Generation [19.1700923188257]
  フェデレーショングラフ学習(FGL)は、複数のクライアントがプライベートな分散グラフデータを共有することなく、強力なグラフニューラルネットワークを協調的にトレーニングすることを可能にする。 本稿では,新たなFGLフレームワークであるGraphFedMIGを提案する。 実世界の4つのデータセットについて広範な実験を行い、提案したGraphFedMIGが他のベースラインと比較して優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-14T09:16:56Z)
• 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)
• 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)
• Federated Graph Condensation with Information Bottleneck Principles [44.404509071881364]
  グラフニューラルネットワーク(GNN)のためのFGC(Federated Graph Condensation)の新たな問題を提案し,研究する。 フェデレートされた設定の下では、凝縮グラフは一貫してデータメンバーシップのプライバシーをリークする。 私たちのフレームワークは、トレーニング中のメンバシップのプライバシを一貫して保護します。
  論文  参考訳（メタデータ） (2024-05-07T00:08:15Z)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• Federated Graph-based Networks with Shared Embedding [1.323497585762675]
  本稿では,共有埋め込み(Feras)を用いたフェデレーショングラフベースのネットワークを提案する。 Ferasは、現在のグラフベースのモデルのトレーニングを、フェデレートされた学習フレームワークで行うことで、プライバシの懸念を解消する。
  論文  参考訳（メタデータ） (2022-10-03T12:51:15Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)

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。