論文の概要: Rethinking One-Shot Federated Graph Learning: Training-Free Statistical Estimation
- arxiv url: http://arxiv.org/abs/2609.06154v1
- Date: Sat, 05 Sep 2026 15:55:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.210382
- Title: Rethinking One-Shot Federated Graph Learning: Training-Free Statistical Estimation
- Title（参考訳）: ワンショットフェデレーショングラフ学習の再考:学習自由統計推定
- Abstract要約: ワンショットフェデレーショングラフ学習は一般的に、単一の通信ラウンドで非接続のサブグラフを持つクライアント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。
極度の非IID条件下では、局所的なGNN訓練は、厳しい横断的表現の不一致に悩まされる。
本研究では,局所グラフからトポロジー平滑なクラスプロトタイプを直接計算する学習自由フレームワークSPEARを提案する。
- 参考スコア（独自算出の注目度）: 12.66442044096499
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One-shot federated graph learning generally aims to train Graph Neural Networks (GNNs) across clients with disconnected subgraphs in a single communication round. Existing methods predominantly design advanced optimization strategies under the premise that local GNN training is indispensable. However, empirical observations reveal that under extreme non-IID conditions, local GNN training suffers from severe cross-client representation misalignment, becoming a major source of error rather than a remedy. Motivated by this, we reformulate one-shot FGL as a statistical estimation problem. We propose SPEAR (Statistical Prototype Estimation with Adaptive Reliability), a completely training-free framework that directly computes topology-smoothed class prototypes from local graphs in the original feature space. The server then aggregates these prototypes using a sample-size-adaptive shrinkage estimator that down-weights unreliable local estimates, producing robust global class prototypes. Extensive experiments across seven benchmarks demonstrate that SPEAR consistently achieves state-of-the-art accuracy under extreme heterogeneity. Moreover, SPEAR delivers at least an order-of-magnitude speedup over all baselines, reaching several orders of magnitude against generative and distillation-based methods. Our findings suggest that training-free statistical estimation, rather than local GNN optimization, provides the key to robust and efficient one-shot federated graph learning. The code is available at https://github.com/Yodeesy/SPEAR .
- Abstract（参考訳）: ワンショットフェデレーショングラフ学習は一般的に、単一の通信ラウンドで非接続のサブグラフを持つクライアント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。
既存の手法は主に、局所的なGNNトレーニングが不可欠であるという前提のもと、高度な最適化戦略を設計する。
しかし、実験的な観察により、極度の非IID条件下では、局所的なGNNトレーニングは厳しいクロスクライアントな表現の不整合に悩まされ、治療というよりはエラーの主な原因となることが明らかになった。
これにより、統計的推定問題としてワンショットFGLを再構成する。
提案するSPEAR(Statistical Prototype Estimation with Adaptive Reliability)は,原特徴空間の局所グラフから位相平滑なクラスプロトタイプを直接計算する,完全にトレーニング不要なフレームワークである。
サーバは、これらのプロトタイプをサンプルサイズ適応型縮小推定器を使って集約し、信頼性の低いローカル推定値を下げ、ロバストなグローバルクラスプロトタイプを生成する。
7つのベンチマークにわたる大規模な実験により、SPEARは極度の不均一性の下で常に最先端の精度を達成していることが示された。
さらに、SPEARは全てのベースラインに対して少なくともオーダーオブマグニチュードのスピードアップを提供し、生成および蒸留に基づく手法に対して数桁のオーダーを達成している。
この結果から, 局所的なGNN最適化ではなく, トレーニングフリーな統計的推定が, 堅牢かつ効率的な一発グラフ学習の鍵となることが示唆された。
コードはhttps://github.com/Yodeesy/SPEAR で公開されている。
関連論文リスト
- Selecting Samples on Graphs: A Unified Dataset Pruning Framework for Lossless Training Acceleration [71.77541419885925]
グラフベースの統合DPフレームワークを提案する。
データセットを重み付きグラフとしてモデル化することにより、DPは最大重み付き傾き問題(MWCP)としてキャストできる。
ResNet-50でImageNet-1kの精度を犠牲にすることなく、トレーニング時間を40%以上短縮する。
論文 参考訳（メタデータ） (2026-06-11T05:13:32Z) - Sharpness-aware Federated Graph Learning [16.148982247077157]
大規模実世界のグラフデータにグラフニューラルネットワーク(GNN)を適用する上での障害のひとつは、集中的なトレーニングの課題である。
フェデレーショングラフ学習(FGL)は、プライベートデータを共有せずに協調的なGNNモデルトレーニングを可能にすることで、この問題に対処する。
論文 参考訳（メタデータ） (2025-12-18T06:57:13Z) - DIVE: Subgraph Disagreement for Graph Out-of-Distribution Generalization [44.291382840373]
本稿では,グラフ機械学習におけるアウト・オブ・ディストリビューションの一般化の課題に対処する。
従来のグラフ学習アルゴリズムは、この仮定が失敗する現実世界のシナリオで失敗する。
この準最適性能に寄与する主な要因は、ニューラルネットワークの本質的な単純さバイアスである。
論文 参考訳（メタデータ） (2024-08-08T12:08:55Z) - Graph Mining under Data scarcity [6.229055041065048]
汎用グラフニューラルネットワーク(GNN)上に適用可能な不確実性推定フレームワークを提案する。
エンド・ツー・エンドの設定で、$n$-way、$k$-shotという古典的なエピソード学習パラダイムの下でこれらのモデルをトレーニングします。
提案手法は,GNNを用いたグラフ上のFew-shotノード分類における不確実性推定器の有効性を示すベースラインよりも優れる。
論文 参考訳（メタデータ） (2024-06-07T10:50:03Z) - DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。
BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。
半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文 参考訳（メタデータ） (2024-06-04T07:24:51Z) - GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。
近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。
本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文 参考訳（メタデータ） (2024-01-10T08:37:39Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳（メタデータ） (2023-10-23T01:25:44Z) - Addressing the Impact of Localized Training Data in Graph Neural
Networks [0.0]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習において顕著な成功を収めた。
本稿では,グラフの局所化部分集合に対するGNNのトレーニングの影響を評価することを目的とする。
本稿では,局所化学習データとグラフ推論との分散不一致を最小化する正規化手法を提案する。
論文 参考訳（メタデータ） (2023-07-24T11:04:22Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Tackling the Local Bias in Federated Graph Learning [48.887310972708036]
フェデレーショングラフ学習(FGL)では、グローバルグラフは異なるクライアントに分散し、各クライアントがサブグラフを保持する。
既存のFGL手法では、クロスクライアントエッジを効果的に活用できず、トレーニング中に構造情報が失われる。
集中型環境で訓練されたモデルと類似した局所モデルを作成するための新しいFGLフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-22T08:22:36Z)
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。