論文の概要: Graph Learning with Localized Neighborhood Fairness
- arxiv url: http://arxiv.org/abs/2212.12040v1
- Date: Thu, 22 Dec 2022 21:20:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 17:22:19.719982
- Title: Graph Learning with Localized Neighborhood Fairness
- Title（参考訳）: 局所化近傍フェアネスを用いたグラフ学習
- Authors: April Chen, Ryan Rossi, Nedim Lipka, Jane Hoffswell, Gromit Chan,
Shunan Guo, Eunyee Koh, Sungchul Kim, Nesreen K. Ahmed
- Abstract要約: 近所のフェアネスの概念を導入し、そのような局所的なフェア埋め込みを学習するための計算フレームワークを開発する。
本稿では,フェアリンク予測,リンク分類,学習フェアグラフ埋め込みなど,さまざまなグラフ機械学習タスクに対して提案手法の有効性を示す。
- 参考スコア（独自算出の注目度）: 32.301270877134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning fair graph representations for downstream applications is becoming
increasingly important, but existing work has mostly focused on improving
fairness at the global level by either modifying the graph structure or
objective function without taking into account the local neighborhood of a
node. In this work, we formally introduce the notion of neighborhood fairness
and develop a computational framework for learning such locally fair
embeddings. We argue that the notion of neighborhood fairness is more
appropriate since GNN-based models operate at the local neighborhood level of a
node. Our neighborhood fairness framework has two main components that are
flexible for learning fair graph representations from arbitrary data: the first
aims to construct fair neighborhoods for any arbitrary node in a graph and the
second enables adaption of these fair neighborhoods to better capture certain
application or data-dependent constraints, such as allowing neighborhoods to be
more biased towards certain attributes or neighbors in the graph.Furthermore,
while link prediction has been extensively studied, we are the first to
investigate the graph representation learning task of fair link classification.
We demonstrate the effectiveness of the proposed neighborhood fairness
framework for a variety of graph machine learning tasks including fair link
prediction, link classification, and learning fair graph embeddings. Notably,
our approach achieves not only better fairness but also increases the accuracy
in the majority of cases across a wide variety of graphs, problem settings, and
metrics.
- Abstract（参考訳）: 下流アプリケーションのための公正グラフ表現の学習はますます重要になっているが、既存の研究は、ノードの局所的な近傍を考慮せずにグラフ構造や目的関数を変更することによって、グローバルレベルで公正性を改善することに集中している。
本研究では,近傍フェアネスの概念を正式に導入し,局所的フェア埋め込みを学習するための計算フレームワークを開発した。
我々は,gnnモデルがノードの局所近傍レベルで動作するため,近傍フェアネスの概念がより適切であると主張する。
Our neighborhood fairness framework has two main components that are flexible for learning fair graph representations from arbitrary data: the first aims to construct fair neighborhoods for any arbitrary node in a graph and the second enables adaption of these fair neighborhoods to better capture certain application or data-dependent constraints, such as allowing neighborhoods to be more biased towards certain attributes or neighbors in the graph.Furthermore, while link prediction has been extensively studied, we are the first to investigate the graph representation learning task of fair link classification.
本稿では,フェアリンク予測,リンク分類,学習フェアグラフ埋め込みなど,さまざまなグラフ機械学習タスクに対して提案手法の有効性を示す。
特に当社のアプローチは,公平性の向上だけでなく,さまざまなグラフや問題設定,メトリクスなどにおいて,ほとんどのケースで精度の向上を実現しています。
関連論文リスト
- Reproducibility Study Of Learning Fair Graph Representations Via Automated Data Augmentations [0.0]
リンク予測タスクにおけるGraphairフレームワークの性能について検討する。
我々の発見はグラフベースの学習において、Graphairが広く採用される可能性を示している。
論文 参考訳（メタデータ） (2024-08-31T11:28:22Z) - Federated Graph Semantic and Structural Learning [54.97668931176513]
本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。
構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。
我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
論文 参考訳（メタデータ） (2024-06-27T07:08:28Z) - FairSample: Training Fair and Accurate Graph Convolutional Neural
Networks Efficiently [29.457338893912656]
センシティブなグループに対する社会的バイアスは多くの実世界のグラフに存在するかもしれない。
本稿では,グラフ構造バイアス,ノード属性バイアス,モデルパラメータがGCNの人口動態にどのように影響するかを詳細に分析する。
私たちの洞察は、3種類のバイアスを緩和するフレームワークであるFairSampleにつながります。
論文 参考訳（メタデータ） (2024-01-26T08:17:12Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-19T18:00:15Z) - Fairness-Aware Graph Neural Networks: A Survey [53.41838868516936]
グラフニューラルネットワーク(GNN)はその表現力と最先端の予測性能によってますます重要になっている。
GNNは、基礎となるグラフデータと基本的な集約メカニズムによって生じる公平性の問題に悩まされる。
本稿では,GNNの公平性向上のためのフェアネス手法の検討と分類を行う。
論文 参考訳（メタデータ） (2023-07-08T08:09:06Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳（メタデータ） (2023-02-27T22:56:06Z) - Fair Node Representation Learning via Adaptive Data Augmentation [9.492903649862761]
この研究は、グラフニューラルネットワーク(GNN)を用いて得られるノード表現のバイアス源を理論的に説明する。
この分析に基づいて、本質的なバイアスを低減するために、公正に意識したデータ拡張フレームワークを開発した。
分析と提案手法は,様々なGNN学習機構の公平性を高めるために容易に利用できる。
論文 参考訳（メタデータ） (2022-01-21T05:49:15Z) - Learning Fair Node Representations with Graph Counterfactual Fairness [56.32231787113689]
以上の事実から導かれるバイアスを考慮したグラフ反事実公正性を提案する。
我々は各ノードとその周辺住民の感度特性の摂動に対応する反事実を生成する。
我々のフレームワークはグラフの反ファクトフェアネスにおける最先端のベースラインよりも優れています。
論文 参考訳（メタデータ） (2022-01-10T21:43:44Z) - Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。
この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T18:44:37Z) - Biased Edge Dropout for Enhancing Fairness in Graph Representation
Learning [14.664485680918725]
本稿では,グラフ表現学習における公平性向上と相反するバイアスド・エッジ・ドロップアウトアルゴリズム(fairdrop)を提案する。
FairDropは、多くの既存のアルゴリズムに簡単に接続でき、効率的で適応可能で、他の公平性誘導ソリューションと組み合わせることができます。
提案手法は,すべてのモデルのフェアネスを小さく,あるいは無視可能な精度低下まで改善できることを実証する。
論文 参考訳（メタデータ） (2021-04-29T08:59:36Z)
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。