論文の概要: MMFGU: Multimodal Federated Graph Unlearning
- arxiv url: http://arxiv.org/abs/2607.28708v1
- Date: Thu, 30 Jul 2026 16:06:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.413292
- Title: MMFGU: Multimodal Federated Graph Unlearning
- Title（参考訳）: MMFGU:マルチモーダルフェデレーショングラフアンラーニング
- Abstract要約: ターゲット固有表現デカップリングを中心に構築されたマルチモーダルグラフアンラーニングフレームワークであるtextsctextbfMMFGUを提案する。
実験によると、textscMMFGUは要求された情報を効果的に削除し、グラフユーティリティを保持し、フルリトレーニングよりも$boldsymbol41.5times$スピードアップを達成する。
- 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: Multimodal federated graph learning enables clients to collaboratively train graph models over structural, textual, and visual signals without sharing private local data. However, the presence of heterogeneous multimodal content also makes unlearning requests more frequent and fine-grained: users may delete accounts or interactions, remove a particular image or text while retaining the associated entity, or revoke the learned correspondence between retained modalities or graph attributes. Existing federated graph unlearning mainly handles entity/relation or client removal and cannot directly satisfy these multimodal requests. They introduce three challenges: removing only the requested information without damaging retained content, preventing the target from being recovered through remaining modalities or graph neighborhoods, and stopping related traces on other clients from re-entering the global model after aggregation. To address them, we propose \textsc{\textbf{MMFGU}}, a multimodal federated graph unlearning framework built around target-specific representation decoupling. \textsc{MMFGU} maps heterogeneous requests into unified target carriers, decouples requested representations while anchoring retained semantics, exposes and repairs propagated residuals with lightweight probes, and selectively purges affected clients through compact prototype and response signals. Experiments show that \textsc{MMFGU} effectively removes requested information, preserves retained graph utility, and achieves a $\boldsymbol{41.5\times}$ speedup over full retraining.
- Abstract（参考訳）: マルチモーダル・フェデレートされたグラフ学習により、クライアントは、プライベートなローカルデータを共有せずに、構造的、テキスト的、視覚的な信号をグラフモデルを協調的に訓練することができる。
ユーザーはアカウントやインタラクションを削除したり、関連するエンティティを保持しながら特定の画像やテキストを削除したり、保持されたモダリティやグラフ属性間の学習された対応を無効にしたりできる。
既存のフェデレートグラフアンラーニングは主にエンティティ/リレーションやクライアントの削除を処理し、これらのマルチモーダル要求を直接満たすことができない。
コンテンツにダメージを与えずに要求された情報だけを削除し、残りのモダリティやグラフの周辺でターゲットが回復するのを防ぎ、他のクライアントのトレースが集約後にグローバルモデルに再入らないようにする、という3つの課題が紹介されている。
そこで本研究では,ターゲット固有表現デカップリングを中心に構築されたマルチモーダル・フェデレーション・アンラーニング・フレームワークである \textsc{\textbf{MMFGU}} を提案する。
\textsc{MMFGU} は異種リクエストを統一されたターゲットキャリアにマッピングし、保持されたセマンティクスをアンロックしながら要求された表現を分離し、プロパゲーションされた残基を軽量プローブで公開および修復し、コンパクトなプロトタイプと応答信号によって影響を受けるクライアントを選択的に浄化する。
実験の結果, 要求された情報を効果的に除去し, 保持されたグラフユーティリティを保持し, フルリトレーニングを高速化する$\boldsymbol{41.5\times}を達成できた。
関連論文リスト
- FedOGL: Combating Catastrophic Forgetting in Federated Open-World Multimodal Graph Learning [26.774513573509108]
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。
論文 参考訳（メタデータ） (2026-07-30T04:24:41Z) - 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 Robust Federated Multimodal Graph Learning under Modality Heterogeneity [49.44748281840733]
実世界のグラフは、複数のパーティにまたがるデータ共有の制限のために、しばしば分離される。
我々は、トポロジ対応のクロスモーダル生成を利用して、欠落した特徴を復元する scFedMPO を提案する。
6つのデータセットにわたる3つのタスクの実験は、FedMPOがベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-05-12T17:30:15Z) - STAGE: Tackling Semantic Drift in Multimodal Federated Graph Learning [48.96526409527749]
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。
論文 参考訳（メタデータ） (2026-05-12T10:35:43Z) - Robust Multimodal Recommendation via Graph Retrieval-Enhanced Modality Completion [71.20734649881258]
実世界のマルチモーダルデータセットは、センサーの故障、アノテーションの不足、プライバシーの制約によって、しばしばモダリティの不完全性に悩まされる。
効果的な解決策の1つはモダリティ補完であり、下流タスクのためのモダリティ完全グラフを提供するために欠落した特徴を再構成する。
本稿では,これらの制限を克服するグラフ検索拡張モード補完フレームワークであるGRE-MCを提案する。
論文 参考訳（メタデータ） (2026-05-01T13:50:52Z) - UniGraph2: Learning a Unified Embedding Space to Bind Multimodal Graphs [34.48393396390799]
マルチモーダルグラフ上での汎用的な表現学習を可能にする新しいクロスドメイングラフ基盤モデルを提案する。
UniGraph2は、グラフニューラルネットワーク(GNN)と共にモダリティ固有のエンコーダを使用して、統一された低次元埋め込み空間を学習する。
我々は,UniGraph2が表現学習,伝達学習,マルチモーダル生成タスクなどのタスクにおいて,最先端モデルよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2025-02-02T14:04:53Z) - CLIPErase: Efficient Unlearning of Visual-Textual Associations in CLIP [57.49519639951552]
CLIPEraseは視覚的・テキスト的関連を選択的に忘れる新しいアプローチである。
CIFAR-100とFlickr30Kデータセットの実験は、CLIPEraseがマルチモーダルサンプルのゼロショットタスクにおける指定された関連性を効果的に忘れていることを示している。
論文 参考訳（メタデータ） (2024-10-30T17:51:31Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - End-to-End Entity Classification on Multimodal Knowledge Graphs [0.0]
本稿では,グラフ構造からエンドツーエンドを学習するマルチモーダルメッセージパッシングネットワークを提案する。
我々のモデルは、専用(神経)エンコーダを使用して、5種類のモードに属するノードの特徴の埋め込みを自然に学習する。
私たちの結果は、複数のモダリティからの情報を含めることで、モデル全体のパフォーマンスが向上する、という私たちの仮説を支持します。
論文 参考訳（メタデータ） (2020-03-25T14:57:52Z)
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。