論文の概要: Mitigating Relational Bias on Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2211.14489v2
• Date: Sat, 3 Dec 2022 09:03:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 12:39:59.125068
• Title: Mitigating Relational Bias on Knowledge Graphs
• Title（参考訳）: 知識グラフにおける関係バイアスの緩和
• Authors: Yu-Neng Chuang, Kwei-Herng Lai, Ruixiang Tang, Mengnan Du, Chia-Yuan Chang, Na Zou and Xia Hu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.346018842327865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graph data are prevalent in real-world applications, and knowledge graph neural networks (KGNNs) are essential techniques for knowledge graph representation learning. Although KGNN effectively models the structural information from knowledge graphs, these frameworks amplify the underlying data bias that leads to discrimination towards certain groups or individuals in resulting applications. Additionally, as existing debiasing approaches mainly focus on the entity-wise bias, eliminating the multi-hop relational bias that pervasively exists in knowledge graphs remains an open question. However, it is very challenging to eliminate relational bias due to the sparsity of the paths that generate the bias and the non-linear proximity structure of knowledge graphs. To tackle the challenges, we propose Fair-KGNN, a KGNN framework that simultaneously alleviates multi-hop bias and preserves the proximity information of entity-to-relation in knowledge graphs. The proposed framework is generalizable to mitigate the relational bias for all types of KGNN. We develop two instances of Fair-KGNN incorporating with two state-of-the-art KGNN models, RGCN and CompGCN, to mitigate gender-occupation and nationality-salary bias. The experiments carried out on three benchmark knowledge graph datasets demonstrate that the Fair-KGNN can effectively mitigate unfair situations during representation learning while preserving the predictive performance of KGNN models.
• Abstract（参考訳）: 知識グラフデータは実世界のアプリケーションで広く利用されており、知識グラフ表現学習には知識グラフニューラルネットワーク(KGNN)が不可欠である。 KGNNは知識グラフの構造情報を効果的にモデル化するが、これらのフレームワークは特定のグループや個人に対する差別につながる基礎となるデータバイアスを増幅する。 さらに、既存の偏見のアプローチは、主にエンティティの偏見に焦点を当てているため、知識グラフに広く存在しているマルチホップ関係バイアスを排除することは、未解決の問題である。 しかし、知識グラフのバイアスと非線形近接構造を生成する経路のスパース性のため、関係バイアスを排除することは極めて困難である。 この課題に対処するため,知識グラフにおけるエンティティ・ツー・リレーションの近接情報を保持するKGNNフレームワークであるFair-KGNNを提案する。 提案するフレームワークは、KGNNのあらゆるタイプの関係バイアスを軽減するために一般化可能である。 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。 3つのベンチマークナレッジグラフデータセットで行った実験は、fair-kgnnが表現学習中の不公平な状況を効果的に軽減し、kgnnモデルの予測性能を維持していることを示している。

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)
• Equipping Federated Graph Neural Networks with Structure-aware Group Fairness [9.60194163484604]
  グラフニューラルネットワーク(GNN)は、様々な種類のグラフデータ処理や分析タスクに広く利用されている。 textF2$GNNはFair Federated Graph Neural Networkであり、フェデレートされたGNNのグループフェアネスを高める。
  論文  参考訳（メタデータ） (2023-10-18T21:51:42Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Debiasing Graph Neural Networks via Learning Disentangled Causal Substructure [46.86463923605841]
  本稿では、重度バイアスのあるトレーニンググラフについて、グラフ分類調査を行う。 我々は、GNNが常に決定を下すために急激な相関関係を探索する傾向があることに気付きました。 本稿では、因果部分構造とバイアス部分構造を学習するための一般的な非絡み合いGNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:55:52Z)
• KGNN: Distributed Framework for Graph Neural Knowledge Representation [38.080926752998586]
  我々は,分散学習システムにおける表現学習のための知識データを完全に活用するために,KGNNと呼ばれる新しいフレームワークを開発した。 KGNNは、高次構造と属性情報を共同で探索することを目的とした、GNNベースのエンコーダと知識認識デコーダを備えている。
  論文  参考訳（メタデータ） (2022-05-17T12:32:02Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• EDITS: Modeling and Mitigating Data Bias for Graph Neural Networks [29.974829042502375]
  本研究では,属性ネットワークのバイアスを軽減するためのフレームワーク EDITS を開発した。 EDITSはモデルに依存しない方法で動作し、ダウンストリームタスクに適用される特定のGNNとは独立している。
  論文  参考訳（メタデータ） (2021-08-11T14:07:01Z)
• 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)
• Adversarial Learning for Debiasing Knowledge Graph Embeddings [9.53284633479507]
  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。
  論文  参考訳（メタデータ） (2020-06-29T18:36:15Z)

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。