論文の概要: Structural Negative Transfer in Federated Graph Neural Networks: Diagnosis, Causal Investigation, and the Limits of Divergence-Aware Mitigation

• arxiv url: http://arxiv.org/abs/2609.16977v1
• Date: Tue, 15 Sep 2026 10:53:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.463461
• Title: Structural Negative Transfer in Federated Graph Neural Networks: Diagnosis, Causal Investigation, and the Limits of Divergence-Aware Mitigation
• Title（参考訳）: フェデレーショングラフニューラルネットにおける構造的負の伝達:診断,因果解析,および多様性を考慮した緩和の限界
• Abstract要約: フェデレーション平均化(Federated Averaging)は、参加者のデータが広範囲に類似している場合、ローカルモデルの平均化が1つの共有問題を解決する合理的な方法であると仮定する。 グラフニューラルネットワークでは,ラベルや特徴分布ではなく,構造自体でクライアントグラフが異なる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Federated learning lets multiple participants train a shared model without pooling raw data, by exchanging locally trained model updates instead. Federated averaging assumes that averaging local models is a reasonable way to solve one shared problem when participants' data are broadly similar. Work on non-IID federated learning has shown that this assumption can withstand differences in label and feature distributions. We ask whether it survives a different strain specific to graph neural networks, where client graphs differ not in label or feature distribution but in structure itself, requiring the same shared weights to operate over fundamentally different topologies. We call the resulting harm structural negative transfer. In a federation of real citation networks and synthetic structural proxies, a structurally atypical client lost more than half its achievable accuracy simply by joining. In an initial six-client federation, two label-free structural statistics computable before training were strongly associated with this harm. Expanding to twenty clients showed that degree divergence remained associated with harm, although more weakly, and survived removal of domain contrast. Spectral divergence did not replicate, which we trace to a confound caused by the composition of the reference pool used for leave-one-out statistics. A causal intervention isolating topology found no significant effect. A degree-normalization mechanism held across twenty-four seeds but did not explain the harm when corrected. The best of five candidate fixes beat a tuned baseline only until a matched, structurally blind control was applied, after which the gain disappeared. What survives is a modest, partially replicated, degree-specific signal that is not yet a validated predictor at scale.
• Abstract（参考訳）: フェデレートラーニングにより、複数の参加者が、ローカルにトレーニングされたモデル更新を交換することで、生データをプールすることなく、共有モデルをトレーニングできる。 フェデレーション平均化(Federated Averaging)は、参加者のデータが広範囲に類似している場合、ローカルモデルの平均化が1つの共有問題を解決する合理的な方法であると仮定する。 非IIDフェデレーション学習の研究は、この仮定がラベルと特徴分布の違いに耐えられることを示した。 グラフニューラルネットワークでは,グラフグラフがラベルや特徴分布ではなく,構造自体が異なるため,基本的に異なるトポロジを操作するために同じ共有重みを必要とする。 結果として生じる悪影響を構造的負の移動と呼ぶ。 実引用ネットワークと合成構造プロキシの連合において、構造的非定型的なクライアントは結合によって達成可能な精度を半分以上失った。 最初の6サイクルのフェデレーションでは、トレーニング前に計算可能なラベルなし構造統計が2つあった。 20のクライアントに拡張したところ、学位のばらつきは、より弱く、ドメインコントラストの除去を乗り越えたにもかかわらず、害と結びついていることが判明した。 スペクトルの発散は再現されなかったが, 残余統計に用いた基準プールの構成が原因で生じたコンファウンドを辿った。 因果的介入によるトポロジーの分離は, 有意な影響は認められなかった。 次数正規化機構は24種にまたがって保持されたが,修正時の害は説明されなかった。 5つのうち最高の5つの修正は、一致した構造的な盲点制御が適用されるまで、調整されたベースラインを破り、その後ゲインは消滅した。 生き残るものは質素で、部分的に複製された、等級固有の信号であり、まだ大規模に検証された予測器ではない。

関連論文リスト

• Vision: Data-Centric Anchoring for Robust and Interpretable Agentic AI [21.406298170489507]
  我々は、堅牢性と解釈可能性は、トレーニング後のモデルから抽出するのではなく、データ環境に組み込むべきだと論じている。 私たちの中心的な貢献は、Curate、Augment、Constrain、Attributeの4段階フレームワークであるData-Centric Agentic Loopです。 このフレームワークは4つのコア障害モードをデータライフサイクルにリンクする、障害駆動型分類に基盤を置いています。
  論文  参考訳（メタデータ） (2026-09-08T03:57:54Z)
• Structural Adversarial Attacks on Relational Deep Learning under Integrity Constraints [6.588918521735523]
  Deep Deep Learning (DL)は、データベース上での機械学習の標準的な方法論となっている。 このパイプラインの対角的堅牢性について検討する。 我々は、グラフがどのように構築され、モデルを訓練されているかを知っているホワイトボックス攻撃者について検討する。
  論文  参考訳（メタデータ） (2026-07-08T07:23:09Z)
• Learning Higher-Order Structure from Incomplete Spatiotemporal Data: Multi-Scale Hypergraph Laplacians with Neural Refinement [26.873671102536438]
  センサネットワークは現代のインフラを統治するが、標準計算ベンチマークによって仮定される一様ランダムパターンには、それらが失うデータが欠落することは滅多にない。 不完全な観測から高次構造を学習するフレームワークであるMulti-Scale Hypergraph Laplaciansを紹介する。 我々はMSHLがグループ保存パターンをペアワイズグラフに到達不能に表現し、対数係数まで最高の固定スケールに適応し、一方的な改善を保証することを証明した。
  論文  参考訳（メタデータ） (2026-05-17T08:15:16Z)
• Curriculum Guided Personalized Subgraph Federated Learning [8.721619913104899]
  Subgraph Federated Learning (FL)は、分散プライベートサブグラフ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。 重み付きモデルアグリゲーションは、類似のサブグラフ特性を持つクライアントからパラメータにより大きな重みを割り当てることで、各ローカルGNNをパーソナライズする。 そこで我々は,Curriculum Guided PersonalsUbgraph Federated Learning (CUFL) という新たなサブグラフFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T08:01:36Z)
• Graph Disentangle Causal Model: Enhancing Causal Inference in Networked Observational Data [24.583216292149366]
  観察データから個別治療効果(ITE)を推定することは、様々な領域において重要な課題である。 ネットワーク環境でのITT推定を行うために,textitGraph Disentangle Causal Model (GDC) と呼ばれる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） (2024-12-05T06:30:20Z)
• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Explicit Tradeoffs between Adversarial and Natural Distributional Robustness [48.44639585732391]
  実際、モデルは信頼性を確保するために両方のタイプの堅牢さを享受する必要があります。 本研究では, 対角線と自然分布の強靭性の間には, 明らかなトレードオフが存在することを示す。
  論文  参考訳（メタデータ） (2022-09-15T19:58:01Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• Confidence May Cheat: Self-Training on Graph Neural Networks under Distribution Shift [39.73304203101909]
  高信頼の未ラベルノードをラベル付けし、トレーニングステップに追加することで、グラフ上での自己学習手法が広く採用されている。 本稿では,従来のラベル付きデータセットの分布を復元する新しい分散検索フレームワーク(DR-GST)を提案する。 5つのベンチマークデータセットの理論的解析と広範な実験は、提案したDR-GSTの有効性を実証している。
  論文  参考訳（メタデータ） (2022-01-27T07:12:27Z)
• Learning Invariances in Neural Networks [51.20867785006147]
  ネットワークパラメータや拡張パラメータに関して,拡張性よりも分布をパラメータ化し,トレーニング損失を同時に最適化する方法を示す。 画像分類,回帰,セグメンテーション,分子特性予測における不均一性の正確なセットと範囲を,拡張の広い空間から復元することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:18:48Z)

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。