論文の概要: Fair Structure Learning in Heterogeneous Graphical Models

• arxiv url: http://arxiv.org/abs/2112.05128v1
• Date: Thu, 9 Dec 2021 18:58:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 14:19:50.730193
• Title: Fair Structure Learning in Heterogeneous Graphical Models
• Title（参考訳）: 不均一グラフモデルにおける公正構造学習
• Authors: Davoud Ataee Tarzanagh, Laura Balzano, and Alfred O. Hero
• Abstract要約: 確率的グラフィカルモデルにおけるコミュニティ構造の推定は、ノードが人口統計特性を持つ場合の公平性制約とは一致しないかもしれない。 本稿では、公平なグラフィカルモデル選択のための新しい$ell_$-regularized pseudo-likelihoodアプローチを定義する。
• 参考スコア（独自算出の注目度）: 11.041854946289472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inference of community structure in probabilistic graphical models may not be consistent with fairness constraints when nodes have demographic attributes. Certain demographics may be over-represented in some detected communities and under-represented in others. This paper defines a novel $\ell_1$-regularized pseudo-likelihood approach for fair graphical model selection. In particular, we assume there is some community or clustering structure in the true underlying graph, and we seek to learn a sparse undirected graph and its communities from the data such that demographic groups are fairly represented within the communities. Our optimization approach uses the demographic parity definition of fairness, but the framework is easily extended to other definitions of fairness. We establish statistical consistency of the proposed method for both a Gaussian graphical model and an Ising model for, respectively, continuous and binary data, proving that our method can recover the graphs and their fair communities with high probability.
• Abstract（参考訳）: 確率的グラフィカルモデルにおけるコミュニティ構造の推定は、ノードに人口属性がある場合の公平性制約とは一致しないかもしれない。 ある人口層は、検出された一部のコミュニティで過剰に表現され、他のコミュニティでは過度に表現されることがある。 本稿では、公平なグラフィカルモデル選択のための新しい$\ell_1$-regularized pseudo-likelihoodアプローチを定義する。 特に、基礎となるグラフにはコミュニティまたはクラスタリング構造が存在すると仮定し、人口統計群がコミュニティ内で公平に表現されるようなデータから、スパースな無向グラフとそのコミュニティを学ぼうとしている。 我々の最適化手法は、公平性の人口統計学的パリティ定義を用いるが、そのフレームワークは、公平性の他の定義に容易に拡張できる。 本研究では,ガウス図形モデルとイジングモデルの両方に対して提案手法の統計的整合性を確立し,連続データと二分データを用いてグラフと公正なコミュニティを高い確率で復元できることを証明した。

関連論文リスト

• M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering [57.947071423091415]
  本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。 我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。 提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
  論文  参考訳（メタデータ） (2023-10-27T19:40:34Z)
• Curvature-based Clustering on Graphs [14.136746708037402]
  グラフの幾何学を利用して、クラスタやコミュニティを形成する密接な連結部分構造を同定するアルゴリズムについて研究する。 本手法は, 離散リッチ曲率とそのそれに付随する幾何フローを実装し, グラフのエッジ重みを進化させて, そのコミュニティ構造を明らかにする。
  論文  参考訳（メタデータ） (2023-07-19T17:35:08Z)
• FairGen: Towards Fair Graph Generation [76.34239875010381]
  フェアネスを考慮したグラフ生成モデルFairGenを提案する。 我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。 Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
  論文  参考訳（メタデータ） (2023-03-30T23:30:42Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Exact Community Recovery in Correlated Stochastic Block Models [6.746400031322727]
  複数の相関ネットワークから潜在コミュニティ構造を学習する問題について検討する。 本研究の主な成果は,複数の相関グラフを用いた正確なコミュニティ回復のための正確な情報理論しきい値の導出である。 コミュニティリカバリとグラフマッチング文献からアルゴリズムを慎重に合成する新しいアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-29T16:44:38Z)
• Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
  本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
  論文  参考訳（メタデータ） (2021-12-14T20:58:27Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• The KL-Divergence between a Graph Model and its Fair I-Projection as a Fairness Regularizer [17.660861923996016]
  本稿では,ほとんどの確率グラフモデリング手法に適用可能な汎用的なアプローチを提案する。 具体的には、選択された公正度基準に対応するフェアグラフモデルのクラスを最初に定義する。 このフェアネス正規化器を既存のグラフモデリング手法と組み合わせることで、効率よくフェアネスと精度を交換できることを実証する。
  論文  参考訳（メタデータ） (2021-03-02T16:26:37Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。