論文の概要: From Euclidean to Graph-Structured Data: A Survey of Collaborative Learning
- arxiv url: http://arxiv.org/abs/2609.02984v1
- Date: Wed, 02 Sep 2026 13:49:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.812823
- Title: From Euclidean to Graph-Structured Data: A Survey of Collaborative Learning
- Title（参考訳）: ユークリッドからグラフ構造化データ:協調学習に関する調査
- Abstract要約: ほとんどの共同学習研究は、通常のグリッドのような構造を持つユークリッドデータに焦点を当てている。
グラフでの学習は、接続されたノード間で情報を伝達するメッセージパッシング機構に依存している。
この調査は、ユークリッド語からグラフ構造化データへの協調学習を包括的に調査する。
- 参考スコア（独自算出の注目度）: 3.402787708517185
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The conventional approach to machine learning, that is, collecting data, training models, and performing inference in a single location, faces fundamental limitations, including scalability and privacy, that restrict its applicability. To address these challenges, recent research has explored collaborative learning approaches, including federated learning and decentralized learning, where individual agents perform training and inference locally, with limited collaboration. Most collaborative learning research focuses on Euclidean data with regular, grid-like structure (e.g., images, text). However, these approaches fail to capture the relational patterns in many real-world applications, best represented by graphs. Learning on graphs relies on message-passing mechanisms to propagate information between connected nodes, making it conceptually well-suited for collaborative environments where agents must exchange information. Yet, the opportunities and challenges of learning on graph-structured data in collaborative settings remain largely underexplored. This survey provides a comprehensive investigation of collaborative learning from Euclidean to graph-structured data, aiming to consolidate this emerging field. We begin by reviewing its foundational principles for Euclidean data, organizing them along three core dimensions: learning effectiveness, efficiency, and privacy preservation. We then extend the discussion to graph-structured data, introducing a taxonomy of graph distribution scenarios, characterizing associated statistical heterogeneities, and developing standardized problem formulations and algorithmic frameworks. Finally, we systematically identify open challenges and promising research directions.
- Abstract（参考訳）: 機械学習の従来のアプローチ、すなわちデータ収集、モデルトレーニング、単一のロケーションでの推論の実行は、その適用性を制限するスケーラビリティやプライバシなど、基本的な制限に直面している。
これらの課題に対処するために、最近の研究は、連合学習や分散学習を含む協調学習のアプローチを探求し、個々のエージェントが限定的なコラボレーションで、ローカルでトレーニングと推論を行う。
ほとんどの共同学習研究は、通常のグリッドのような構造(画像、テキストなど)を持つユークリッドデータに焦点を当てている。
しかし、これらのアプローチは、グラフで表される多くの実世界のアプリケーションにおいて、関係パターンを捉えるのに失敗する。
グラフ上での学習は、接続されたノード間で情報を伝達するメッセージパッシング機構に依存しており、エージェントが情報を交換しなければならない協調環境に対して概念的に適している。
しかし、協調的な環境でグラフ構造化データを学習する機会と課題は、いまだに過小評価されている。
この調査は、ユークリッドからグラフ構造化データへの協調学習を包括的に調査し、この新興分野の統合を目指している。
まず、ユークリッドデータの基本的な原則を見直し、学習の効率性、効率性、プライバシー保護という3つの中核的な側面に沿ってそれらを整理する。
次に、グラフ構造データに議論を拡大し、グラフ分布シナリオの分類を導入し、関連する統計的不均一性を特徴づけ、標準化された問題定式化とアルゴリズムフレームワークを開発する。
最後に,オープンチャレンジと有望な研究方向性を体系的に同定する。
関連論文リスト
- Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。
この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。
GFMは構造化データに対するオープンエンド推論の基盤となる。
論文 参考訳（メタデータ） (2025-05-21T05:08:00Z) - Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。
この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
論文 参考訳（メタデータ） (2024-08-26T06:36:42Z) - Interventional Causal Structure Discovery over Graphical Models with Convergence and Optimality Guarantees [0.0]
因果構造学習のための二段階最適化(Bloom)フレームワークを開発した。
ブルームは、介入データと観測データの両方から因果構造発見を理論的に支援するだけでなく、効率的な因果構造発見アルゴリズムを目指す。
合成と実世界の両方のデータセットの実験を通して、ブルームは他の主要な学習アルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2024-08-09T02:22:50Z) - Graph Enhanced Reinforcement Learning for Effective Group Formation in Collaborative Problem Solving [3.392758494801288]
本研究では,協調的問題解決環境における効果的なグループ形成の課題について論じる。
本稿では,グラフ理論と強化学習を活用した新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-15T04:04:40Z) - Graph Learning under Distribution Shifts: A Comprehensive Survey on
Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。
既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。
本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文 参考訳（メタデータ） (2024-02-26T07:52:40Z) - Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。
FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
論文 参考訳（メタデータ） (2024-02-22T14:57:44Z) - ADEPT: Hierarchical Bayes Approach to Personalized Federated Unsupervised Learning [7.19348361223786]
階層型ベイズ統計フレームワークに着想を得た最適化基準に基づくアルゴリズムを開発する。
我々は,限られたローカルデータと協調情報とのバランスを検出する適応アルゴリズムを開発した。
提案アルゴリズムを合成データと実データを用いて評価し、パーソナライズされたタスクに対する効果的なサンプル増幅を実証した。
論文 参考訳（メタデータ） (2024-02-19T20:53:27Z) - A Framework for Exploring Federated Community Detection [4.358468367889626]
フェデレーション・ラーニング(Federated Learning)は、データの常駐性やプライバシの制約を維持しながら、クライアントのネットワークにおける機械学習である。
コミュニティ検出は、グラフ構造化データ内のノードのクラスタの教師なし発見である。
私たちは、分散データによって導入されたパフォーマンスのギャップを示す、既存のデータセットをまたいだ初期実験を行います。
論文 参考訳（メタデータ） (2023-12-14T15:13:04Z) - Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。
本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。
フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳（メタデータ） (2023-07-10T04:30:23Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳（メタデータ） (2021-07-14T18:09:08Z)
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。