論文の概要: PriDyG: Privacy-preserving Dynamic Graph Inference with LLM-GNN Collaboration

• arxiv url: http://arxiv.org/abs/2608.04255v1
• Date: Tue, 04 Aug 2026 22:23:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.64825
• Title: PriDyG: Privacy-preserving Dynamic Graph Inference with LLM-GNN Collaboration
• Title（参考訳）: PriDyG: LLM-GNNコラボレーションによるプライバシ保護動的グラフ推論
• Abstract要約: 本稿では,GNNに基づく構造学習と意味推論を組み合わせたプライベート推論フレームワークPriDyGを提案する。 PriDyGはインクリメンタルなプライベートなマルチホップアグリゲーションを導入し、新たに到着したエッジをバッファし、各エッジを正確に1回処理する。 実験によると、PriDyGは、同じプライバシー予算の下で、幾何学的に崩壊するベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 11.394805414546903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph inference over relational data can expose sensitive edge information, and this risk becomes more severe in dynamic graphs, where repeated model updates cause privacy loss to accumulate. We formulate Edge-level Differentially Private Dynamic Graph Inference (EDG) and propose PriDyG, a private inference framework that combines GNN-based structural learning with LLM-based semantic reasoning. PriDyG introduces incremental private multi-hop aggregation, which buffers newly arrived edges and processes each edge exactly once. By parallel composition, the total privacy cost equals that of a single static release, independent of the number or schedule of model updates. Compared with geometrically decaying budget allocation, incremental aggregation avoids exponentially increasing noise while preserving exact one-hop signals and at least half of two-hop information transfers. PriDyG further complements privatized GNN outputs with LLM predictions derived solely from node text, incurring no additional edge-level privacy cost. Experiments on four benchmarks for node classification and link prediction show that PriDyG consistently outperforms geometrically decaying baselines under the same privacy budget and matches the utility of naive per-update retraining while reducing cumulative privacy cost by up to three orders of magnitude.
• Abstract（参考訳）: リレーショナルデータに対するグラフ推論は、センシティブなエッジ情報を公開し、このリスクは、繰り返しモデル更新がプライバシ損失を蓄積する動的なグラフでより深刻になる。 エッジレベルの差分的動的グラフ推論(EDG)を定式化し、GNNに基づく構造学習とLLMに基づく意味推論を組み合わせたプライベート推論フレームワークであるPriDyGを提案する。 PriDyGはインクリメンタルなプライベートなマルチホップアグリゲーションを導入し、新たに到着したエッジをバッファし、各エッジを正確に1回処理する。 並列構成により、全体的なプライバシコストは、モデル更新の数やスケジュールによらず、単一の静的リリースのコストに等しい。 幾何的に減衰する予算割り当てと比較すると、インクリメンタルアグリゲーションは、正確な1ホップ信号と2ホップ情報転送の少なくとも半分を保持しながら、指数関数的にノイズの増加を避ける。 PriDyGはさらに、プライベート化されたGNN出力をノードテキストのみから派生したLLM予測で補完する。 ノード分類とリンク予測のための4つのベンチマークの実験は、PriDyGが同じプライバシ予算の下で幾何的に崩壊するベースラインを一貫して上回っており、累積プライバシコストを最大3桁まで削減しながら、更新毎の再トレーニングの有用性と一致していることを示している。

関連論文リスト

• Towards Personalized Differentially Private Learning for Decentralized Local Graphs [62.244412935520025]
  ローカル微分プライバシー(LDP)は、信頼できるサーバに頼ることなく、プライバシを保存するデータ収集のための有望なソリューションとして登場した。 既存の LDP ベースのグラフ学習手法は、通常、ユーザ間で均一なプライバシ要件を仮定する。 PPGNNは分散グラフデータのためのパーソナライズド・ディペンデント・プライベートなフレームワークである。
  論文  参考訳（メタデータ） (2026-07-06T08:07:48Z)
• Provably Communication-Efficient and Privacy-Preserving Federated Graph Neural Networks [18.008132027250777]
  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。
  論文  参考訳（メタデータ） (2026-05-25T18:10:20Z)
• Node-private community estimation in stochastic block models: Tractable algorithms and lower bounds [4.001518483170137]
  一定数のコミュニティを持つブロックモデルにおいて,コミュニティ回復の古典的問題を考察する。 グラフ構造におけるノードワイズ変化に対して安定なアルゴリズムを探索し,差分プライバシー制約として正式に定義する。
  論文  参考訳（メタデータ） (2026-05-15T13:27:24Z)
• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• Beyond Covariance Matrix: The Statistical Complexity of Private Linear Regression [66.93988594607842]
  プライバシー制約の下では、プライベート線形回帰の複雑さは通常の共分散行列によって捉えられる。 最適率を達成するための情報重み付け回帰手法を提案する。 特に、我々の結果は、共同プライバシーは追加費用がほとんどないことを示している。
  論文  参考訳（メタデータ） (2025-02-18T18:35:24Z)
• 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)
• Differentially Private Decoupled Graph Convolutions for Multigranular Topology Protection [38.96828804683783]
  GNNは、モデル予測を通じて、機密性の高いユーザ情報やインタラクションを不注意に公開することができる。 2つの主な理由から、GNNに標準のDPアプローチを適用することは推奨できない。 本稿では,グラフ学習に適したグラフ微分プライバシー(GDP)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-12T19:29:06Z)
• ProGAP: Progressive Graph Neural Networks with Differential Privacy Guarantees [8.79398901328539]
  グラフニューラルネットワーク(GNN)は、グラフを学習するための一般的なツールとなっているが、広く使われているため、プライバシの懸念が高まる。 本稿では,ProGAPと呼ばれる新たなGNNを提案し,プログレッシブトレーニング手法を用いて,そのような精度とプライバシのトレードオフを改善する。
  論文  参考訳（メタデータ） (2023-04-18T12:08:41Z)
• Normalized/Clipped SGD with Perturbation for Differentially Private Non-Convex Optimization [94.06564567766475]
  DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。 DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
  論文  参考訳（メタデータ） (2022-06-27T03:45:02Z)
• 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)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。