Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Giảm chi phí truyền thông cho việc đếm đồ thị con theo quyền riêng tư vi phân cục bộ thông qua hàm băm

Created by
  • Haebom

Tác giả

Quentin Hillebrand, Vorapong Suppakitpaisarn, Tetsuo Shibuya

Phác thảo

Bài báo này đề xuất một phương pháp giảm chi phí truyền thông bằng cách sử dụng hàm băm trong quá trình đếm số lượng đồ thị con dưới cơ chế riêng tư vi phân cục bộ cạnh. Các thuật toán tính toán thống kê đồ thị hiện có dựa trên cơ chế riêng tư vi phân cục bộ cạnh có chi phí truyền thông cao, khiến chúng khó áp dụng cho các đồ thị quy mô lớn. Trong bài báo này, chúng tôi giới thiệu băm đồng dư tuyến tính để giải quyết vấn đề này. Sử dụng tốc độ lấy mẫu $s$ có thể giảm chi phí truyền thông $s^2$, nhưng phương sai của thống kê đồ thị được công bố lại tăng $s$. Kết quả thực nghiệm cho thấy sai số $\ell_2$ cho số lượng tam giác giảm tới 1000 lần so với các thuật toán tiên tiến hiện có với cùng chi phí truyền thông.

Takeaways, Limitations

Takeaways:
Chúng tôi trình bày một phương pháp mới để đếm hiệu quả số lượng đồ thị con trong đồ thị lớn theo phương pháp riêng tư vi phân cục bộ theo cạnh.
Chúng tôi chứng minh bằng thực nghiệm rằng băm tuyến tính có thể giảm đáng kể chi phí truyền thông.
So với các thuật toán hiện có, lỗi $\ell_2$ có thể được giảm đáng kể.
Limitations:
Khi tốc độ lấy mẫu tăng lên, phương sai của số liệu thống kê đồ thị được công bố cũng tăng lên.
Hiệu quả của phương pháp đề xuất có thể phụ thuộc vào hàm băm cụ thể và chiến lược lấy mẫu.
Các thí nghiệm bị giới hạn ở số lượng tam giác và khả năng khái quát hóa cho các loại đồ thị con khác cần được nghiên cứu thêm.
👍