論文の概要: FlatLand: Personalized Graph Federated Learning via Tailored Lorentz Space

• arxiv url: http://arxiv.org/abs/2608.21096v1
• Date: Fri, 21 Aug 2026 13:42:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.556062
• Title: FlatLand: Personalized Graph Federated Learning via Tailored Lorentz Space
• Title（参考訳）: FlatLand:Tailored Lorentz Spaceによる個人化グラフフェデレーション学習
• Abstract要約: フェデレーション学習は、プライバシ保護による協調トレーニングを可能にするが、非常に異質なクライアントデータは依然として困難である。 そこで我々はFlatLandを提案する。FlatLandは、異なるクライアントのデータを、双曲幾何学の調整されたローレンツ空間に埋め込む、新しいパーソナライズされたフェデレーション学習手法である。
• 参考スコア（独自算出の注目度）: 54.48585280499489
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning enables privacy-preserving collaborative training, but highly heterogeneous client data remain challenging, especially in graph federated learning where clients possess structurally diverse graphs. Existing personalized federated learning (PFL) methods ignore the intrinsic geometric properties of diverse graph structures. We propose FlatLand, a novel personalized federated learning method that embeds different clients' data in tailored Lorentz space of hyperbolic geometry. Our key insight is that hyperbolic geometry naturally accommodates the intrinsic negative curvature prevalent in real-world graphs, while the time-like dimension in Lorentz space provides a principled way to encode client-specific heterogeneity. We develop a parameter decoupling strategy that separates heterogeneous information (captured in time-like parameters) from common knowledge (preserved in space-like parameters), enabling direct aggregation without requiring client similarity estimation and extra calculation modules. Empirical results on diverse federated graph learning tasks demonstrate that FlatLand achieves superior performance, particularly in low-dimensional settings.
• Abstract（参考訳）: フェデレートラーニング(Federated Learning)は、プライバシ保護による協調トレーニングを可能にするが、特にグラフフェデレーションラーニング(英語版)において、クライアントが構造的に多様なグラフを持つ場合、非常に異質なクライアントデータは難しいままである。 既存のパーソナライズド・フェデレーションド・ラーニング(PFL)手法は、様々なグラフ構造の固有の幾何学的性質を無視する。 そこで我々はFlatLandを提案する。FlatLandは、異なるクライアントのデータを、双曲幾何学の調整されたローレンツ空間に埋め込む、新しいパーソナライズされたフェデレーション学習手法である。 我々の重要な洞察は、双曲幾何学が実世界のグラフで広く見られる固有負曲率を自然に許容するのに対して、ローレンツ空間の時間的な次元は、クライアント固有の不均一性を符号化する原理的な方法を提供するということである。 我々は,異種情報(時間的パラメータでキャプチャされる)を共通知識(空間的パラメータで保存される)から切り離すパラメータ分離戦略を開発し,クライアントの類似度推定や余分な計算モジュールを必要とせずに直接アグリゲーションを可能にする。 多様なグラフ学習タスクに関する実証的な結果は、FlatLandが特に低次元設定において優れたパフォーマンスを達成することを示す。

関連論文リスト

• Causality-inspired Federated Learning for Dynamic Spatio-Temporal Graphs [32.47167190970743]
  Federated Graph Learning(FGL)は、グラフニューラルネットワークの分散トレーニングのための強力なパラダイムとして登場した。 既存のFGLメソッドは、実世界のグラフにクライアント固有の知識が存在することを見越して、すべての機能がクライアント間で等しく転送可能であると仮定する。 本稿では,クライアント固有のノイズから伝達可能な因果的知識を明示的に分離するSC-FSGLという,因果性に着想を得た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） (2026-03-31T07:52:56Z)
• FedHERO: A Federated Learning Approach for Node Classification Task on Heterophilic Graphs [55.51300642911766]
  Federated Graph Learning(FGL)は、クライアントがグラフニューラルネットワーク(GNN)を分散的にトレーニングすることを可能にする。 FGL法は通常、全てのクライアントが所有するグラフデータが、類似したノードの分布パターンを保証するためにホモフィリックであることが要求される。 異種グラフからの洞察を効果的に活用し、共有するために設計されたFGLフレームワークであるFedHEROを提案する。
  論文  参考訳（メタデータ） (2025-04-29T22:23:35Z)
• Graph Structure Learning for Spatial-Temporal Imputation: Adapting to Node and Feature Scales [29.499581329290805]
  空間時間インプット(GSLI)のためのマルチスケールグラフ構造学習フレームワークについて紹介する。 本フレームワークは,異なる特徴の異なるグローバル空間相関に対応するために,ノードスケールグラフ構造学習を包含する。 我々のフレームワークは、プロミネンスモデリングと統合され、計算過程においてより重要なノードと特徴を強調します。
  論文  参考訳（メタデータ） (2024-12-24T16:34:50Z)
• Personalized Federated Learning for Cross-view Geo-localization [49.40531019551957]
  本稿では,フェデレート・ラーニング (FL) とクロスビュー・イメージ・ジオローカライゼーション (CVGL) 技術を組み合わせた方法論を提案する。 提案手法では, クライアントが粗い特徴抽出器のみを共有しながら, 局所環境に特有のきめ細かな特徴を保持する, 粗い特徴抽出器を実装している。 その結果,フェデレートCVGL法は,データプライバシを維持しつつ,集中的なトレーニングに近い性能を実現することができた。
  論文  参考訳（メタデータ） (2024-11-07T13:25:52Z)
• FedSSP: Federated Graph Learning with Spectral Knowledge and Personalized Preference [31.796411806840087]
  フェデレートされたグラフ学習(pFGL)は、プライバシーを損なうことなく、グラフニューラルネットワーク(GNN)の分散トレーニングを容易にする。 それまでのpFGLメソッドは、非ジェネリックな知識を全世界で誤って共有し、パーソナライズされたソリューションをローカルにカスタマイズできなかった。 提案するpFGLフレームワークであるFedSSPを提案する。
  論文  参考訳（メタデータ） (2024-10-26T07:09:27Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Hermitian Symmetric Spaces for Graph Embeddings [0.0]
  C 上の対称行列空間におけるグラフの連続表現を学ぶ。 これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。 提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
  論文  参考訳（メタデータ） (2021-05-11T18:14:52Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)
• Graph Geometry Interaction Learning [41.10468385822182]
  本研究では,グラフにおける豊富な幾何学的特性を学習するための,グラフの幾何学的相互作用学習(GIL)手法を開発した。 提案手法は,各ノードに,フレキシブルな二重特徴量相互作用学習と確率組立機構を通じて,各幾何学空間の重要性を決定する自由を与える。 ノード分類とリンク予測タスクに関する5つのベンチマークデータセットについて,実験結果を示す。
  論文  参考訳（メタデータ） (2020-10-23T02:40:28Z)
• 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。