Graph Learning Across Data Silos

要約

我々は、データが分散クライアントに配置され、プライバシーの問題などのためにローカルクライアントから離れることが禁止されているような、新しいが実用的なシナリオにおいて、滑らかなグラフ信号からグラフのトポロジーを推測する問題を考察する。この課題における主な困難は、データサイロの下にある全てのクライアントの潜在的に異質なデータをどのように利用するかである。この目的のために、我々はまず、各ローカルクライアントのためのパーソナライズされたグラフと、全クライアントのための単一のコンセンサスグラフを共同で学習する、自動重み付け多重グラフ学習モデルを提案する。パーソナライズドグラフはローカルなデータ分布と一致するため、データの不均一性を緩和し、一方コンセンサスグラフはグローバルな情報を捉える。さらに、このモデルは、コンセンサスグラフとの類似性に基づいて、ローカルグラフに適切な寄与の重みを自動的に割り当てることができる。次に、誘導された問題を解決するために、クライアントを離れることなく全ての生データをローカルに処理するアルゴリズムを考案する。理論的には、提案するモデルとアルゴリズムについて、証明可能な推定誤差の境界と収束解析を確立する。最後に、合成データと実データを用いた広範な実験を行い、その結果、本アプローチが対象シナリオにおいて効果的にグラフを学習できることを示す。

要約(オリジナル)

We consider the problem of inferring graph topology from smooth graph signals in a novel but practical scenario where data are located in distributed clients and prohibited from leaving local clients due to factors such as privacy concerns. The main difficulty in this task is how to exploit the potentially heterogeneous data of all clients under data silos. To this end, we first propose an auto-weighted multiple graph learning model to jointly learn a personalized graph for each local client and a single consensus graph for all clients. The personalized graphs match local data distributions, thereby mitigating data heterogeneity, while the consensus graph captures the global information. Moreover, the model can automatically assign appropriate contribution weights to local graphs based on their similarity to the consensus graph. We next devise a tailored algorithm to solve the induced problem, where all raw data are processed locally without leaving clients. Theoretically, we establish a provable estimation error bound and convergence analysis for the proposed model and algorithm. Finally, extensive experiments on synthetic and real data are carried out, and the results illustrate that our approach can learn graphs effectively in the target scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL