Federated Temporal Graph Clustering

要約

時間的グラフクラスタリングは、時間と共に関係や実体が変化する動的なグラフから意味のある構造を発見する複雑なタスクである。既存の手法では、一般的に中央集権的なデータ収集が必要であり、プライバシーとコミュニケーションに大きな課題がある。本研究では、複数のクライアントにまたがるグラフ・ニューラル・ネットワーク（GNN）の分散型学習を可能にし、プロセス全体を通してデータのプライバシーを保証する、新しいFederated Temporal Graph Clustering（FTGC）フレームワークを紹介する。本アプローチは、グラフ構造の時間的進化を効果的に捉えるための時間的集約機構と、高品質なクラスタリング表現を協調的に学習するための連合最適化戦略を組み込んでいる。データプライバシーを保持し、通信オーバヘッドを削減することで、我々のフレームワークは時間グラフデータセットにおいて競争力のある性能を達成し、動的データを含むプライバシーに敏感な実世界のアプリケーションにとって有望なソリューションとなる。

要約(オリジナル)

Temporal graph clustering is a complex task that involves discovering meaningful structures in dynamic graphs where relationships and entities change over time. Existing methods typically require centralized data collection, which poses significant privacy and communication challenges. In this work, we introduce a novel Federated Temporal Graph Clustering (FTGC) framework that enables decentralized training of graph neural networks (GNNs) across multiple clients, ensuring data privacy throughout the process. Our approach incorporates a temporal aggregation mechanism to effectively capture the evolution of graph structures over time and a federated optimization strategy to collaboratively learn high-quality clustering representations. By preserving data privacy and reducing communication overhead, our framework achieves competitive performance on temporal graph datasets, making it a promising solution for privacy-sensitive, real-world applications involving dynamic data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL