論文の概要: Subgroup Fairness in Graph-based Spam Detection

• arxiv url: http://arxiv.org/abs/2204.11164v1
• Date: Sun, 24 Apr 2022 02:19:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 05:16:25.435834
• Title: Subgroup Fairness in Graph-based Spam Detection
• Title（参考訳）: グラフに基づくスパム検出におけるサブグループフェアネス
• Authors: Jiaxin Liu, Yuefei Lyu, Xi Zhang, Sihong Xie
• Abstract要約: フェイクレビューは、AmazonやYelpなどのレビューサイトで一般的である。 本稿では,公正なスパム検出のためにサブグループメンバシップを定義し,発見し,活用することの課題に対処する。
• 参考スコア（独自算出の注目度）: 13.26226951002133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fake reviews are prevalent on review websites such as Amazon and Yelp. GNN is the state-of-the-art method that can detect suspicious reviewers by exploiting the topologies of the graph connecting reviewers, reviews, and target products. However, the discrepancy in the detection accuracy over different groups of reviewers causes discriminative treatment of different reviewers of the websites, leading to less engagement and trustworthiness of such websites. The complex dependencies over the review graph introduce difficulties in teasing out subgroups of reviewers that are hidden within larger groups and are treated unfairly. There is no previous study that defines and discovers the subtle subgroups to improve equitable treatment of reviewers. This paper addresses the challenges of defining, discovering, and utilizing subgroup memberships for fair spam detection. We first define a subgroup membership that can lead to discrepant accuracy in the subgroups. Since the subgroup membership is usually not observable while also important to guide the GNN detector to balance the treatment, we design a model that jointly infers the hidden subgroup memberships and exploits the membership for calibrating the target GNN's detection accuracy across subgroups. Comprehensive results on two large Yelp review datasets demonstrate that the proposed model can be trained to treat the subgroups more fairly.
• Abstract（参考訳）: 偽レビューはamazonやyelpなどのレビューウェブサイトで広く使われている。 GNNは、不審なレビュアーを検知する最先端の手法であり、レビュアー、レビュー、ターゲット製品を結合するグラフのトポロジを利用する。 しかし、レビュアーの異なるグループに対する検出精度の差は、ウェブサイトの異なるレビュアーの差別的扱いを引き起こし、そのようなウェブサイトのエンゲージメントや信頼性が低下する。 レビューグラフ上の複雑な依存関係は、大きなグループに隠され不公平に扱われるレビュアーのサブグループをティーズすることの難しさをもたらす。 レビューアの公平な扱いを改善するための微妙なサブグループを定義し、発見する以前の研究はない。 本稿では,スパム検出のためのサブグループメンバシップの定義,発見,活用の課題に対処する。 まず、サブグループにおける精度の差につながる部分グループメンバーシップを定義する。 サブグループのメンバシップは通常観察できないが,GNN検出器を誘導して治療のバランスをとることが重要であるため,隠れたサブグループのメンバシップを共同で推論し,対象のGNNの検出精度をサブグループ間で調整するモデルの設計を行う。 2つのyelpレビューデータセットの包括的な結果は、提案されたモデルがサブグループをより公平に扱うように訓練できることを示しています。

関連論文リスト

• FALE: Fairness-Aware ALE Plots for Auditing Bias in Subgroups [0.8528401618469597]
  本稿では,サブグループ内の潜在的なバイアスを識別し,ユーザフレンドリな方法で発見を可視化するための説明可能性手法を提案する。 FALEは,潜在的なバイアス問題のあるサブグループを特定するための,効率的でユーザフレンドリで,理解しやすく,信頼性の高い第1段階ツールとして機能することを期待している。
  論文  参考訳（メタデータ） (2024-04-29T13:30:57Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Fairness Aware Counterfactuals for Subgroups [8.593488857185678]
  本稿では,サブグループのフェアネスを監査するフレームワークであるFACTS(Fairness Aware Counterfactuals for Subgroups)を紹介する。 我々は、特定のサブグループにおける個人の困難さの異なる側面を定式化し、談話を達成することを目的としている。 我々は、言論を達成するためのコストに対して、完全に不可避ではないが頑健な部分群フェアネスの概念を導入する。
  論文  参考訳（メタデータ） (2023-06-26T18:03:56Z)
• AGRO: Adversarial Discovery of Error-prone groups for Robust Optimization [109.91265884632239]
  群分散ロバスト最適化(G-DRO)は、トレーニングデータに対する事前定義されたグループのセットに対する最悪の損失を最小限にすることができる。 本稿では、分散ロバスト最適化のためのAGRO -- Adversarial Group Discoveryを提案する。 AGROは、既知の最悪のグループの平均モデルパフォーマンスを8%向上させる。
  論文  参考訳（メタデータ） (2022-12-02T00:57:03Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Spatio-Temporal Graph Representation Learning for Fraudster Group Detection [50.779498955162644]
  企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。 そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。 両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
  論文  参考訳（メタデータ） (2022-01-07T08:01:38Z)
• HIN-RNN: A Graph Representation Learning Neural Network for Fraudster Group Detection With No Handcrafted Features [42.30892608083864]
  不正グループ検出のための異種情報ネットワーク(HIN)互換RNNであるHIN-RNNを提案する。 HIN-RNNは、各レビュアーのテキスト表現を学習するための統一アーキテクチャを提供する。 提案手法はYelp(リコールでは22%,F1値では12%)とAmazon(リコールでは4%,F1値では2%)に対して,最先端アプローチを著しく改善する上で有効であることが確認された。
  論文  参考訳（メタデータ） (2021-05-25T01:48:28Z)
• Detecting and Characterizing Extremist Reviewer Groups in Online Product Reviews [26.473021051027537]
  本稿では,Amazon製品レビューサイトからレビューを収集し,923名の候補レビューグループを手作業でラベル付けした。 それらのグループは、多くのブランドを相互にレビュー(製品)した場合に、ユーザがまとめられるように、ブランドの類似性よりも頻繁にアイテムセットマイニングを使用して抽出される。 我々は、そのグループのユーザが書いたレビューに基づいて、グループを分類するタスクのために複数の分類器を実行し、そのグループに極度の兆候があるかどうかを判断する。
  論文  参考訳（メタデータ） (2020-04-13T10:59:21Z)

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。