論文の概要: Strategic Classification with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2205.15765v1
• Date: Tue, 31 May 2022 13:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 14:50:40.673812
• Title: Strategic Classification with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる戦略的分類
• Authors: Itay Eilat, Ben Finkelshtein, Chaim Baskin, Nir Rosenfeld
• Abstract要約: 学習にグラフを使用すると、予測にユーザ間の依存関係が導入される。 本稿では,グラフに基づく分類器の戦略的ロバスト学習のための微分可能なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.131895986034316
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Strategic classification studies learning in settings where users can modify their features to obtain favorable predictions. Most current works focus on simple classifiers that trigger independent user responses. Here we examine the implications of learning with more elaborate models that break the independence assumption. Motivated by the idea that applications of strategic classification are often social in nature, we focus on \emph{graph neural networks}, which make use of social relations between users to improve predictions. Using a graph for learning introduces inter-user dependencies in prediction; our key point is that strategic users can exploit these to promote their goals. As we show through analysis and simulation, this can work either against the system -- or for it. Based on this, we propose a differentiable framework for strategically-robust learning of graph-based classifiers. Experiments on several real networked datasets demonstrate the utility of our approach.
• Abstract（参考訳）: 戦略分類は、ユーザーが好ましい予測を得るために機能を変更できるような環境で学習する。 現在の作業のほとんどは、独立したユーザ応答をトリガーする単純な分類器に重点を置いている。 ここでは、独立仮説を破るより精巧なモデルを用いて学習の意味を検討する。 戦略的分類の応用は本質的に社会的であることが多いという考えに動機付けられ,ユーザ間の社会的関係を利用して予測を改善する「emph{graph neural network}」に焦点をあてる。 私たちのキーポイントは、戦略的ユーザーがそれらを活用して目標を推進できるということです。 分析とシミュレーションを通して示すように、これはシステム -- あるいはそれのために -- に対して機能します。 そこで本研究では,グラフベース分類器の戦略ロバスト学習のための微分可能なフレームワークを提案する。 いくつかの実ネットワークデータセットの実験は、我々のアプローチの有用性を実証している。

関連論文リスト

• Classification Under Strategic Self-Selection [13.168262355330299]
  自己選択が学習に与える影響と,学習が自己選択集団の構成に及ぼす影響について検討した。 本稿では,自己選択行動下での学習を効果的に最適化できる,識別可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-23T11:37:56Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Counterfactual Learning on Graphs: A Survey [34.47646823407408]
  グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。 グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。 グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
  論文  参考訳（メタデータ） (2023-04-03T21:42:42Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Graph-Based Methods for Discrete Choice [27.874979682322376]
  グラフ学習を使って、ネットワーク化されたコンテキストにおける選択を研究します。 ソーシャルネットワーク構造を取り入れることで、標準的な計量的選択モデルの予測を改善することができることを示す。
  論文  参考訳（メタデータ） (2022-05-23T14:51:23Z)
• Generalized Strategic Classification and the Case of Aligned Incentives [16.607142366834015]
  戦略的なユーザー行動の理由について、より広い視点で議論する。 我々のモデルは現在のモデルの多くを仮定するが、他の新しい設定を含んでいる。 結果とアプローチが,最も一般的なケースにどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-02-09T09:36:09Z)
• Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
  本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。 数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。 そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
  論文  参考訳（メタデータ） (2022-01-07T02:46:35Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)

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。