A Framework for Exploring Federated Community Detection

要約

Federated Learning は、データの所在地やプライバシーの制約を維持しながら、クライアントのネットワークのコンテキストで機械学習を行うことです。
コミュニティ検出は、グラフ構造データ内のノードのクラスターを教師なしで検出することです。
これら 2 つの分野が交差することにより、多くの機会が明らかになりますが、同時に課題も生じます。
たとえば、非公開で保持されているグラフ間の接続情報が欠落しているため、複雑さが増します。
この研究では、分散データによってもたらされるパフォーマンスのギャップを示すさまざまな既存のデータセットにわたって初期実験を実施することにより、フェデレーション コミュニティ検出の可能性を探ります。
私たちは、分離されたモデルが、このドメイン内の課題を調査するためのフレームワークを確立するコラボレーションから恩恵を受けることを実証します。
これらの研究フロンティアの複雑さについて、これらの問題に対する提案された解決策とともに議論されます。

要約(オリジナル)

Federated Learning is machine learning in the context of a network of clients whilst maintaining data residency and/or privacy constraints. Community detection is the unsupervised discovery of clusters of nodes within graph-structured data. The intersection of these two fields uncovers much opportunity, but also challenge. For example, it adds complexity due to missing connectivity information between privately held graphs. In this work, we explore the potential of federated community detection by conducting initial experiments across a range of existing datasets that showcase the gap in performance introduced by the distributed data. We demonstrate that isolated models would benefit from collaboration establishing a framework for investigating challenges within this domain. The intricacies of these research frontiers are discussed alongside proposed solutions to these issues.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google