論文の概要: Adversarial Learning for Debiasing Knowledge Graph Embeddings
- arxiv url: http://arxiv.org/abs/2006.16309v2
- Date: Thu, 18 Feb 2021 02:16:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 13:19:55.728333
- Title: Adversarial Learning for Debiasing Knowledge Graph Embeddings
- Title（参考訳）: 知識グラフ埋め込みの曖昧化のための逆学習
- Authors: Mario Arduini, Lorenzo Noci, Federico Pirovano, Ce Zhang, Yash Raj
Shrestha, Bibek Paudel
- Abstract要約: 社会的・文化的偏見は、異なる集団や少数民族に有害な結果をもたらす可能性がある。
本稿では,知識グラフ(KG)の埋め込みにおいて,そのようなバイアスを識別し緩和することを目的とする。
我々は、FAN(Filtering Adversarial Network)と呼ばれる、KG埋め込みから機密属性情報をフィルタリングする新しいフレームワークを導入する。
- 参考スコア（独自算出の注目度）: 9.53284633479507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge Graphs (KG) are gaining increasing attention in both academia and
industry. Despite their diverse benefits, recent research have identified
social and cultural biases embedded in the representations learned from KGs.
Such biases can have detrimental consequences on different population and
minority groups as applications of KG begin to intersect and interact with
social spheres. This paper aims at identifying and mitigating such biases in
Knowledge Graph (KG) embeddings. As a first step, we explore popularity bias --
the relationship between node popularity and link prediction accuracy. In case
of node2vec graph embeddings, we find that prediction accuracy of the embedding
is negatively correlated with the degree of the node. However, in case of
knowledge-graph embeddings (KGE), we observe an opposite trend. As a second
step, we explore gender bias in KGE, and a careful examination of popular KGE
algorithms suggest that sensitive attribute like the gender of a person can be
predicted from the embedding. This implies that such biases in popular KGs is
captured by the structural properties of the embedding. As a preliminary
solution to debiasing KGs, we introduce a novel framework to filter out the
sensitive attribute information from the KG embeddings, which we call FAN
(Filtering Adversarial Network). We also suggest the applicability of FAN for
debiasing other network embeddings which could be explored in future work.
- Abstract（参考訳）: 知識グラフ(KG)は学術と産業の両方で注目を集めている。
その多様な利点にもかかわらず、最近の研究では、kgsから学んだ表現に埋め込まれた社会的、文化的バイアスが特定されている。
このようなバイアスは、kgの応用が社会圏と交差し相互作用し始めると、異なる人口と少数集団に有害な影響をもたらす可能性がある。
本稿では,知識グラフ(KG)埋め込みにおけるバイアスの同定と緩和を目的とした。
第1ステップとして,ノードの人気度とリンク予測精度の関係について検討する。
node2vecグラフ埋め込みの場合、埋め込みの予測精度はノードの度合いと負の相関関係にあることが分かる。
しかし、知識グラフ埋め込み(KGE)の場合、逆の傾向が観察される。
第2のステップとして、KGEにおける性別バイアスについて検討し、人気のあるKGEアルゴリズムを慎重に検討した結果、埋め込みから人の性別のようなセンシティブな属性を予測できることが示唆された。
これは、一般的なkgsにおけるそのようなバイアスが埋め込みの構造的性質によって捉えられることを意味する。
KGのデバイアス化のための予備的な解決策として、我々は、FAN(Filtering Adversarial Network)と呼ばれるKG埋め込みから機密属性情報をフィルタリングする新しいフレームワークを導入する。
また,今後検討すべき他のネットワーク埋め込みに対するFANの適用性についても提案する。
関連論文リスト
- Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。
本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。
本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
論文 参考訳（メタデータ） (2024-02-18T07:49:22Z) - EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph
Completion [54.12709176438264]
Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。
現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。
そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
論文 参考訳（メタデータ） (2024-02-15T02:27:23Z) - CausE: Towards Causal Knowledge Graph Embedding [13.016173217017597]
知識グラフ埋め込み(KGE)は、知識グラフ(KG)の連続ベクトル空間への実体と関係を表現することに焦点を当てている。
我々はKGEの新しいパラダイムを因果関係と非絡み込みの文脈で構築する。
本稿では,CausE(Causality Enhanced Knowledge Graph Embedding)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-21T14:25:39Z) - Diversity matters: Robustness of bias measurements in Wikidata [4.950095974653716]
7大陸から選択された13の異なる人口層に対して、ウィキデータに表されるデータのバイアスを明らかにする。
我々は、13の人口層から採取された多数の職業について、センシティブな属性、すなわち性別に関する広範な実験を行う。
我々は,現在最先端のKG埋め込みアルゴリズムの選択が,性別に関わらず,偏りのある職業のランク付けに強い影響を与えることを示した。
論文 参考訳（メタデータ） (2023-02-27T18:38:10Z) - Toward Degree Bias in Embedding-Based Knowledge Graph Completion [37.270356897629675]
偏差は、低次ノードの表現不足を学習することでグラフアルゴリズムに影響を与える可能性がある。
本稿では,埋め込み型知識グラフにおける次数バイアスの存在を検証し,次数バイアスの要因を同定する。
そこで我々は,そのバイアスを軽減するために合成三重項を生成する新しいデータ拡張手法であるKG-Mixupを導入する。
論文 参考訳（メタデータ） (2023-02-10T04:14:45Z) - Mitigating Relational Bias on Knowledge Graphs [51.346018842327865]
マルチホップバイアスを同時に緩和し,知識グラフにおけるエンティティとリレーションの近接情報を保存するフレームワークであるFair-KGNNを提案する。
ジェンダー占有とナショナリティ・サリーバイアスを軽減するために,2つの最先端KGNNモデル(RCCNとCompGCN)を組み込んだFair-KGNNの2例を開発した。
論文 参考訳（メタデータ） (2022-11-26T05:55:34Z) - Explainable Sparse Knowledge Graph Completion via High-order Graph
Reasoning Network [111.67744771462873]
本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。
高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。
情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
論文 参考訳（メタデータ） (2022-07-14T10:16:56Z) - Towards Automatic Bias Detection in Knowledge Graphs [5.402498799294428]
本稿では,数値バイアス指標に基づいて,知識グラフの埋め込みにおけるバイアスを識別するフレームワークについて述べる。
本稿では,職業予測の課題に対する3つの異なるバイアス尺度を用いて,この枠組みを説明する。
バイアスを負った関係は、その後の偏見を判断するために意思決定者に渡される。
論文 参考訳（メタデータ） (2021-09-19T03:58:25Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳（メタデータ） (2021-02-14T03:21:36Z) - RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。
二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。
理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文 参考訳（メタデータ） (2021-01-25T13:31:29Z)
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。