論文の概要: Adversarial Graph Embeddings for Fair Influence Maximization over Social Networks

• arxiv url: http://arxiv.org/abs/2005.04074v2
• Date: Mon, 11 May 2020 01:01:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 12:17:29.358826
• Title: Adversarial Graph Embeddings for Fair Influence Maximization over Social Networks
• Title（参考訳）: ソーシャルネットワーク上の公平な影響最大化のための逆グラフ埋め込み
• Authors: Moein Khajehnejad, Ahmad Asgharian Rezaei, Mahmoudreza Babaei, Jessica Hoffmann, Mahdi Jalili and Adrian Weller
• Abstract要約: 埋め込みのための自動エンコーダと、センシティブな属性を識別するための識別器を共同で訓練する。 次に、埋め込みをクラスタ化することで、良い初期セットを見つけます。 通常、公正性と影響対象との間にはトレードオフがあるが、我々の合成および実世界のデータセットに関する実験は、我々のアプローチが相違を劇的に減少させることを示している。
• 参考スコア（独自算出の注目度）: 32.795094910922614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Influence maximization is a widely studied topic in network science, where the aim is to reach the maximum possible number of nodes, while only targeting a small initial set of individuals. It has critical applications in many fields, including viral marketing, information propagation, news dissemination, and vaccinations. However, the objective does not usually take into account whether the final set of influenced nodes is fair with respect to sensitive attributes, such as race or gender. Here we address fair influence maximization, aiming to reach minorities more equitably. We introduce Adversarial Graph Embeddings: we co-train an auto-encoder for graph embedding and a discriminator to discern sensitive attributes. This leads to embeddings which are similarly distributed across sensitive attributes. We then find a good initial set by clustering the embeddings. We believe we are the first to use embeddings for the task of fair influence maximization. While there are typically trade-offs between fairness and influence maximization objectives, our experiments on synthetic and real-world datasets show that our approach dramatically reduces disparity while remaining competitive with state-of-the-art influence maximization methods.
• Abstract（参考訳）: 影響最大化(influence maximization)は、ネットワーク科学において広く研究されているトピックであり、ノード数を最大にすることを目的としている。 ウイルスのマーケティング、情報伝達、ニュースの拡散、ワクチン接種など、多くの分野で重要な応用がある。 しかし、目的は通常、影響のあるノードの最終セットが人種や性別のような繊細な属性に関して公平であるかどうかを考慮に入れない。 ここでは、より公平なマイノリティへの到達を目指して、公正な影響の最大化に対処する。 グラフ埋め込みのための自動エンコーダと、センシティブな属性を識別するための識別器を共同でトレーニングする。 これは同様にセンシティブな属性に分散した埋め込みにつながる。 次に、埋め込みをクラスタリングすることで良い初期セットを見つけます。 私たちは、公正な影響の最大化のタスクに埋め込みを最初に使うと信じています。 公平性と影響最大化の目的との間にはトレードオフが一般的だが,合成データと実世界のデータセットを用いた実験では,最先端の影響最大化手法との競争力を維持しつつ,不一致を劇的に低減する傾向が示されている。

関連論文リスト

• Influence Maximization via Graph Neural Bandits [54.45552721334886]
  IM問題を多ラウンド拡散キャンペーンに設定し,影響を受けやすいユーザ数を最大化することを目的とした。 IM-GNB(Influence Maximization with Graph Neural Bandits)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T17:54:33Z)
• MAPPING: Debiasing Graph Neural Networks for Fair Node Classification with Limited Sensitive Information Leakage [1.8238848494579714]
  公正ノード分類のためのモデルに依存しない新しい脱バイアスフレームワーク MAPPing を提案する。 以上の結果から,MAPPingは実用性と公正性,および機密情報漏洩のプライバシーリスクとのトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2024-01-23T14:59:46Z)
• Influence Maximization with Unknown Individual Effect on General Network [3.4049427793086324]
  ネットワークに広がる情報を最大化するためのシードセットの同定は、インフルエンス・最大化(IM)と呼ばれる概念が不可欠である。 IMアルゴリズムは、各ノードが個々のエフェクトと呼ばれる特定の重みを持つ場合まで自然に拡張でき、ノードの重要性を測定することができる。 本稿では,因果影響最大化(CauIM)アルゴリズムの開発を通じてこの問題に対処する。
  論文  参考訳（メタデータ） (2023-01-28T15:34:03Z)
• Contextual Bandits for Advertising Campaigns: A Diffusion-Model Independent Approach (Extended Version) [73.59962178534361]
  拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。 この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。 本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
  論文  参考訳（メタデータ） (2022-01-13T22:06:10Z)
• Learning Fair Node Representations with Graph Counterfactual Fairness [56.32231787113689]
  以上の事実から導かれるバイアスを考慮したグラフ反事実公正性を提案する。 我々は各ノードとその周辺住民の感度特性の摂動に対応する反事実を生成する。 我々のフレームワークはグラフの反ファクトフェアネスにおける最先端のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2022-01-10T21:43:44Z)
• Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
  基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。 この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T18:44:37Z)
• Learning to maximize global influence from local observations [12.611900695498218]
  本研究では,一連のラウンドが$t=1,ldots,T$であり,意思決定者が影響力を最大化する目的で多数のエージェントの中から1つを選択するという,オンライン・インフルエンス問題の研究を行う。 意思決定者の目標は、ネットワーク内の影響ノードの総数でエージェントのシーケンスを選択することである。
  論文  参考訳（メタデータ） (2021-09-24T11:59:44Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)

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。