論文の概要: Fairness Amidst Non-IID Graph Data: A Literature Review

• arxiv url: http://arxiv.org/abs/2202.07170v4
• Date: Sun, 26 Jan 2025 16:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:52:20.984824
• Title: Fairness Amidst Non-IID Graph Data: A Literature Review
• Title（参考訳）: 非IIDグラフデータの公正性:文献レビュー
• Authors: Wenbin Zhang, Shuigeng Zhou, Toby Walsh, Jeremy C. Weiss,
• Abstract要約: 実世界のデータは、個々のユニット間の接続をキャプチャする非IIDグラフ構造にしばしば存在する。 AIシステムにおけるバイアスを効果的に緩和するためには、IDデータ用に設計された従来の公正文学と、非IIDグラフデータの出現率のギャップを埋めることが不可欠である。
• 参考スコア（独自算出の注目度）: 38.417417892197
• License:
• Abstract: The growing importance of understanding and addressing algorithmic bias in artificial intelligence (AI) has led to a surge in research on AI fairness, which often assumes that the underlying data is independent and identically distributed (IID). However, real-world data frequently exists in non-IID graph structures that capture connections among individual units. To effectively mitigate bias in AI systems, it is essential to bridge the gap between traditional fairness literature, designed for IID data, and the prevalence of non-IID graph data. This survey reviews recent advancements in fairness amidst non-IID graph data, including the newly introduced fair graph generation and the commonly studied fair graph classification. In addition, available datasets and evaluation metrics for future research are identified, the limitations of existing work are highlighted, and promising future directions are proposed.
• Abstract（参考訳）: 人工知能(AI)におけるアルゴリズムバイアスの理解と対処の重要性の高まりにより、AI公正性の研究が急増し、基礎となるデータが独立しており、同一に分散している(IID)と仮定されることが多い。 しかし、実世界のデータは、個々のユニット間の接続をキャプチャする非IIDグラフ構造にしばしば存在する。 AIシステムにおけるバイアスを効果的に緩和するためには、IDデータ用に設計された従来の公正文学と、非IIDグラフデータの出現率のギャップを埋めることが不可欠である。 本調査は,新たに導入されたフェアグラフ生成や,一般に研究されているフェアグラフ分類を含む,非IIDグラフデータ中のフェアネスの最近の進歩をレビューする。 また、今後の研究のために利用可能なデータセットと評価指標を特定し、既存の作業の限界を強調し、将来有望な方向性を提案する。

関連論文リスト

• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• Non-IID data in Federated Learning: A Survey with Taxonomy, Metrics, Methods, Frameworks and Future Directions [2.9434966603161072]
  フェデレートラーニング(FL)は、プライベートデータを共有せずにMLモデルを集合的にトレーニングすることを可能にする。 FLは、クライアントにまたがるデータが独立で、同一に分散された(非IID)データである場合に苦労する。 この技術調査は、非IIDデータ、パーティションプロトコル、メトリクスの詳細な分類を提供することで、このギャップを埋めることを目的としています。
  論文  参考訳（メタデータ） (2024-11-19T09:53:28Z)
• HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
  グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。 我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
  論文  参考訳（メタデータ） (2024-07-31T16:55:18Z)
• FGAD: Self-boosted Knowledge Distillation for An Effective Federated Graph Anomaly Detection Framework [33.62637380192881]
  グラフ異常検出(GAD)は、他のグラフと大きく異なる異常グラフを特定することを目的としている。 既存のGADメソッドは通常、集中的なトレーニングで実行される。 本稿では,これらの課題に対処する効果的なフェデレーショングラフ異常検出フレームワーク(FGAD)を提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:03:59Z)
• GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
  我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。 教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-11-08T12:41:58Z)
• Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
  我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。 私たちの観察は直感的である。 私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
  論文  参考訳（メタデータ） (2022-09-30T17:15:19Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Data Representativity for Machine Learning and AI Systems [2.588973722689844]
  機械学習モデルを通じてデータから推論を描く場合、データの表現力は不可欠である。 本稿では,AIとサンプリングに関する科学文献におけるデータ表現性について分析する。
  論文  参考訳（メタデータ） (2022-03-09T13:34:52Z)
• Improving Fairness of AI Systems with Lossless De-biasing [15.039284892391565]
  AIシステムのバイアスを緩和して全体的な公正性を高めることが重要な課題となっている。 我々は,不利益グループにおけるデータの不足を対象とする情報損失のない脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2021-05-10T17:38:38Z)

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。