論文の概要: Structural Entropy-Driven Graph Diffusion Generation for One-Shot Federated Graph Learning

• arxiv url: http://arxiv.org/abs/2609.06499v1
• Date: Sun, 06 Sep 2026 09:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.258379
• Title: Structural Entropy-Driven Graph Diffusion Generation for One-Shot Federated Graph Learning
• Title（参考訳）: 1ショットフェデレーショングラフ学習のための構造エントロピー駆動グラフ拡散生成
• Abstract要約: ワンショットフェデレーショングラフ学習(FGL)では、高度に圧縮された情報からクライアントのコントリビューションを推定する必要がある。 本研究では,一ショットFGLにトポロジ対応のクライアント微分を導入する構造エントロピー駆動グラフ拡散生成法であるSPIREを提案する。
• 参考スコア（独自算出の注目度）: 16.26727371966201
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One-shot federated graph learning (FGL) requires the server to estimate client contributions from highly compressed information, yet conventional volume-based weighting captures the amount of client data while overlooking how its connectivity is organized. In this paper, we propose SPIRE, a Structural Entropy-Driven Graph Diffusion Generation method that introduces topology-aware client differentiation into one-shot FGL. Specifically, we employ first-order degree-distribution structural entropy as a compact descriptor of degree-mass dispersion and use it to derive structural client weights, providing an inductive bias that accounts for differences in graph topology beyond data volume. On the generation side, a graph diffusion model on the server synthesizes pseudographs conditioned on the weighted client prototypes, capturing both semantic and structural information without requiring additional client-side training. The generated pseudographs are then assembled via disjoint union fusion to train a global graph neural network. Extensive experiments on seven real-world graph datasets demonstrate that SPIRE consistently outperforms conventional and one-shot FGL methods, with particularly strong gains under highly heterogeneous (non-IID) and graph-perturbed settings.
• Abstract（参考訳）: ワンショットフェデレーショングラフ学習(FGL)では、サーバが高度に圧縮された情報からクライアントのコントリビューションを推定する必要があるが、従来のボリュームベースの重み付けは、接続がどのように構成されているかを見極めながら、クライアントデータの量をキャプチャする。 本稿では,構造エントロピー駆動グラフ拡散生成法であるSPIREを提案する。 具体的には、次数質量分散のコンパクトな記述子として1次次次数分布構造エントロピーを用い、それを構造的クライアント重みの導出に利用し、データ体積を超えるグラフトポロジの違いを考慮に入れた帰納バイアスを与える。 生成側では、サーバ上のグラフ拡散モデルは、重み付けされたクライアントプロトタイプ上で条件付けられた擬似グラフを合成し、追加のクライアント側トレーニングを必要とせずに意味情報と構造情報をキャプチャする。 生成された擬似グラフは、解離結合融合によって組み立てられ、グローバルグラフニューラルネットワークをトレーニングする。 7つの実世界のグラフデータセットに対する大規模な実験により、SPIREは従来のFGL法とワンショットのFGL法を一貫して上回り、特に高度に異質な(非IID)とグラフの摂動条件下では顕著に向上した。

関連論文リスト

• Learning Posterior Predictive Distributions for Node Classification from Synthetic Graph Priors [32.18961351570798]
  グラフニューラルネットワーク(GNN)は基本的な制限に直面している。 グラフ固有のトレーニングを使わずに任意のグラフに一般化するNodePFNを導入する。 1つの事前訓練されたNodePFNは、23のベンチマークで71.27の平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-21T03:23:34Z)
• Personalized Subgraph Federated Learning with Sheaf Collaboration [22.825083541211168]
  FedSheafHNは、効率的なパーソナライズされたモデル生成で拡張されたクライアント記述子を統合するための、棚のコラボレーションメカニズム上に構築された新しいフレームワークである。 具体的には、FedSheafHNは各クライアントのローカルサブグラフをサーバ構築のコラボレーショングラフに埋め込む。 サーバ最適化ハイパーネットワークを通じて、カスタマイズされたクライアントモデルを生成する。
  論文  参考訳（メタデータ） (2025-08-19T08:52:50Z)
• Generating Large Semi-Synthetic Graphs of Any Size [0.4419843514606336]
  グラフ生成はネットワーク科学において重要な領域である。 近年のディープラーニングの進歩により、データ駆動型手法によるグラフの学習と生成が可能になった。 本稿では,遅延グラフサンプリング生成(LGSG)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T21:46:28Z)
• 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)
• Personalized One-shot Federated Graph Learning for Heterogeneous Clients [11.438281045702976]
  Federated Graph Learning (FGL)は、クライアントのニーズに合わせてパーソナライズされたモデルをトレーニングすることで、モデルユーティリティの向上を目指している。 既存のpFGL法では、異種グラフの下で多数の通信ラウンドが必要となる。 ワンショットフェデレートラーニング(OFL)は、単一のラウンドでのコラボレーションを可能にするが、グラフデータには有効ではない。 ローカルな個人情報とグローバルな洞察を適応的にバランスさせる2段階のパーソナライズドトレーニングアプローチを導入する。
  論文  参考訳（メタデータ） (2024-11-18T05:59:29Z)
• Federated Graph Learning with Graphless Clients [52.5629887481768]
  FGL(Federated Graph Learning)は、グラフニューラルネットワーク(GNN)などの機械学習モデルをトレーニングするタスクである。 グラフレスクライアントを用いたFGLにおける問題に対処するための新しいフレームワークFedGLSを提案する。
  論文  参考訳（メタデータ） (2024-11-13T06:54:05Z)
• Federated Hypergraph Learning with Local Differential Privacy: Toward Privacy-Aware Hypergraph Structure Completion [9.163655213173067]
  FedHGLは、非結合性およびプライバシー制約のあるハイパーグラフパーティションに関する連邦ハイパーグラフ学習のための第一種フレームワークである。 We developed FedHGL, a first-of-in-kind framework for Federated hypergraph learning on disjoint and privacy-constrained hypergraph partitions。
  論文  参考訳（メタデータ） (2024-08-09T16:31:41Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• FedSheafHN: Personalized Federated Learning on Graph-structured Data [22.825083541211168]
  我々はFedSheafHNと呼ばれるモデルを提案し、各クライアントのローカルサブグラフをサーバ構築コラボレーショングラフに埋め込む。 我々のモデルは複雑なクライアント特性の統合と解釈を改善します。 また、高速なモデル収束と効果的な新しいクライアントの一般化も備えている。
  論文  参考訳（メタデータ） (2024-05-25T04:51:41Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• 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。