論文の概要: Towards Adaptive Federated Graph Clustering: A Global Community-aware Contrastive Learning-based Approach

• arxiv url: http://arxiv.org/abs/2609.26063v1
• Date: Sat, 01 Aug 2026 12:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.852158
• Title: Towards Adaptive Federated Graph Clustering: A Global Community-aware Contrastive Learning-based Approach
• Title（参考訳）: Adaptive Federated Graph Clusteringに向けて - グローバルコミュニティを意識したコントラスト学習に基づくアプローチ
• Abstract要約: フェデレートされたグラフ学習により、クライアントはプライベートグラフデータを共有することなく、グラフモデルを協調的にトレーニングできる。 AdaFGCは、グローバルコミュニティを意識したコントラスト学習に基づくAdaptive Federated Graphクラスタリングフレームワークである。 8つのベンチマークデータセットの実験では、AdaFGCが既存の教師付きおよび教師なしのFGLベースラインを一貫して上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 8.735748270612413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated graph learning (FGL) enables multiple clients to collaboratively train graph models without sharing their private graph data, providing a promising paradigm for mining knowledge from distributed graph repositories. While most existing FGL methods focus on supervised tasks, real-world graphs are often massive and unlabeled, making federated graph clustering an important yet still immature research direction. Notably, this task is particularly challenging due to the inherent subgraph heterogeneity across clients, which leads to client-specific community structures. In this work, we identify two critical limitations in existing federated graph clustering methods: (1) unrealistic pre-defined cluster cardinality assumptions and (2) incomplete inter-community separation. To address these challenges, we propose AdaFGC, an Adaptive Federated graph clustering framework based on Global community-aware Contrastive learning. AdaFGC introduces an over-complete set of global community anchors to model the global community structure and adaptively estimate clustering cardinality via cross-client anchor refinement. In addition, it employs a global community-aware contrastive learning scheme that uses the shared anchors as contrastive prototypes to explicitly enforce community-level attraction and repulsion across clients, complemented by node-level and topology-level objectives that stabilize local representations. Extensive experiments on eight benchmark datasets demonstrate that AdaFGC consistently outperforms existing supervised and unsupervised FGL baselines across multiple clustering metrics.
• Abstract（参考訳）: フェデレートグラフ学習(FGL)により、複数のクライアントがプライベートグラフデータを共有せずにグラフモデルを協調的にトレーニングすることが可能になり、分散グラフリポジトリから知識をマイニングするための有望なパラダイムを提供する。 既存のFGL手法の多くは教師付きタスクに重点を置いているが、実世界のグラフはしばしば大規模でラベル付けされていないため、連合グラフクラスタリングは重要でまだ未熟な研究の方向性となっている。 特に、クライアント間の固有のサブグラフの不均一性のため、クライアント固有のコミュニティ構造につながるため、このタスクは特に困難である。 本研究では,既存のグラフクラスタリング手法において,(1)非現実的な事前定義されたクラスタ濃度の仮定と(2)非完全コミュニティ間分離の2つの限界を同定する。 これらの課題に対処するために,グローバルコミュニティを意識したコントラスト学習に基づく適応型フェデレーショングラフクラスタリングフレームワークであるAdaFGCを提案する。 AdaFGCは、グローバルなコミュニティ構造をモデル化し、クロスクライアントなアンカー改良を通じてクラスタリングの濃度を適応的に推定する、オーバーコンプリートなグローバルコミュニティアンカーのセットを導入している。 さらに、共有アンカーをコントラスト的なプロトタイプとして使用して、ローカル表現を安定化するノードレベルおよびトポロジレベルの目的によって補完された、クライアント間のコミュニティレベルのアトラクションと反発を明示的に実施する、グローバルなコミュニティ対応のコントラスト学習スキームも採用している。 8つのベンチマークデータセットに対する大規模な実験は、AdaFGCが複数のクラスタリングメトリクスにわたって、既存の教師付きおよび教師なしのFGLベースラインを一貫して上回っていることを示している。

関連論文リスト

• Robust Contrastive Graph Clustering with Adaptive Local-Global Integration [10.185975874676995]
  マルチスケールな局所構造とグローバルなセマンティクスを協調的に統合するグラフクラスタリングフレームワークを提案する。 8つの実世界のグラフデータセットに対する実験により,本手法が競合クラスタリング性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-27T09:29:17Z)
• Generalized Category Discovery in Federated Graph Learning [10.91485241015392]
  Federated Graph Generalized Category Discovery (FGGCD)は、分散グラフクライアント間の新しいカテゴリを共同で発見することを目的としている。 本稿では,GCDのためのFGLフレームワークであるGCD-FGLを提案する。 5つの実世界のグラフデータセットの実験は、GCD-FGLが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-05T08:37:29Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• GraphFedMIG: Tackling Class Imbalance in Federated Graph Learning via Mutual Information-Guided Generation [19.1700923188257]
  フェデレーショングラフ学習(FGL)は、複数のクライアントがプライベートな分散グラフデータを共有することなく、強力なグラフニューラルネットワークを協調的にトレーニングすることを可能にする。 本稿では,新たなFGLフレームワークであるGraphFedMIGを提案する。 実世界の4つのデータセットについて広範な実験を行い、提案したGraphFedMIGが他のベースラインと比較して優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-14T09:16:56Z)
• 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)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• AdaFGL: A New Paradigm for Federated Node Classification with Topology Heterogeneity [44.11777886421429]
  Federated Graph Learning (FGL) はグラフニューラルネットワークに基づく分散フレームワークとして注目されている。 構造的非イド分割の概念を導入し、次に、UnderlineAdaptive UnderlineFederated UnderlineGraph UnderlineLearning (AdaFGL)と呼ばれる新しいパラダイムを示す。 提案したAdaFGLは,コミュニティ分割の3.24%,コミュニティ分割の5.57%,非イド分割の5.57%でベースラインを上回った。
  論文  参考訳（メタデータ） (2024-01-22T08:23:31Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。