論文の概要: On Generalized Degree Fairness in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2302.03881v1
• Date: Wed, 8 Feb 2023 05:00:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 17:13:06.458326
• Title: On Generalized Degree Fairness in Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークにおける一般化Degree Fairnessについて
• Authors: Zemin Liu, Trung-Kien Nguyen, Yuan Fang
• Abstract要約: Deg-FairGNN(Generalized Degree Fairness-centric Graph Neural Network)と呼ばれる新しいGNNフレームワークを提案する。 具体的には、各GNN層において、学習可能なデバイアス機能を用いて、デバイアスのコンテキストを生成する。 3つのベンチマークデータセットに対する大規模な実験は、精度と公正度の両方において、我々のモデルの有効性を示す。
• 参考スコア（独自算出の注目度）: 18.110053023118294
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conventional graph neural networks (GNNs) are often confronted with fairness issues that may stem from their input, including node attributes and neighbors surrounding a node. While several recent approaches have been proposed to eliminate the bias rooted in sensitive attributes, they ignore the other key input of GNNs, namely the neighbors of a node, which can introduce bias since GNNs hinge on neighborhood structures to generate node representations. In particular, the varying neighborhood structures across nodes, manifesting themselves in drastically different node degrees, give rise to the diverse behaviors of nodes and biased outcomes. In this paper, we first define and generalize the degree bias using a generalized definition of node degree as a manifestation and quantification of different multi-hop structures around different nodes. To address the bias in the context of node classification, we propose a novel GNN framework called Generalized Degree Fairness-centric Graph Neural Network (Deg-FairGNN). Specifically, in each GNN layer, we employ a learnable debiasing function to generate debiasing contexts, which modulate the layer-wise neighborhood aggregation to eliminate the degree bias originating from the diverse degrees among nodes. Extensive experiments on three benchmark datasets demonstrate the effectiveness of our model on both accuracy and fairness metrics.
• Abstract（参考訳）: 従来のグラフニューラルネットワーク(GNN)は、ノード属性やノードを取り巻く隣人など、入力から生じる公平性の問題に直面していることが多い。 センシティブな属性に根ざしたバイアスを取り除くために、近年いくつかのアプローチが提案されているが、GNNの他の重要な入力、すなわちノードの隣人を無視している。 特に、ノード間の様々な近傍構造は、大きく異なるノードの次数で表され、ノードの多様な振る舞いとバイアスのある結果をもたらす。 本稿では,まず,ノードの次数の定義を,異なるノードを囲む異なるマルチホップ構造の顕在化と定量化として用いて,次数バイアスを定義し,一般化する。 ノード分類の文脈におけるバイアスに対処するため,汎用デグレーフェア中心グラフニューラルネットワーク(Deg-FairGNN)と呼ばれる新しいGNNフレームワークを提案する。 具体的には,各gnn層において,学習可能なデバイアス関数を用いてデバイアスコンテキストを生成し,レイヤ単位近傍のアグリゲーションを変調し,ノード間の多様度に由来する次数バイアスを解消する。 3つのベンチマークデータセットに対する大規模な実験は、精度と公正度の両方でモデルの有効性を示す。

関連論文リスト

• Mitigating Degree Bias in Signed Graph Neural Networks [5.042342963087923]
  SGNN(Signed Graph Neural Networks)は、ソースデータと典型的な集約手法による公平性問題に対処する。 本稿では,GNN から拡張された SGNN の公正性の調査を先駆的に進める。 署名されたグラフ内の次数バイアスの問題を識別し、SGNNに関する公平性問題に対する新たな視点を提供する。
  論文  参考訳（メタデータ） (2024-08-16T03:22:18Z)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• The Snowflake Hypothesis: Training Deep GNN with One Node One Receptive field [39.679151680622375]
  一つのノード、一つの受容場の概念を支える新しいパラダイムである「雪の結晶仮説」を紹介します。 最も単純な勾配とノードレベルの余弦距離を、各ノードの集約深さを調節する指針として採用する。 観測結果は,我々の仮説がタスクの普遍演算子として機能できることを実証した。
  論文  参考訳（メタデータ） (2023-08-19T15:21:12Z)
• Revisiting Heterophily For Graph Neural Networks [42.41238892727136]
  グラフニューラルネットワーク(GNN)は、関係帰納バイアスに基づくグラフ構造を用いて基本ニューラルネットワーク(NN)を拡張する(ホモフィリー仮定) 最近の研究は、NNと比較してパフォーマンスが不十分な、非自明なデータセットのセットを特定している。
  論文  参考訳（メタデータ） (2022-10-14T08:00:26Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Node-wise Localization of Graph Neural Networks [52.04194209002702]
  グラフニューラルネットワーク(GNN)は、グラフ上の表現学習モデルの強力なファミリーとして出現する。 グラフのグローバルな側面とローカルな側面の両方を考慮し,GNNのノードワイドなローカライゼーションを提案する。 我々は,4つのベンチマークグラフに対して広範な実験を行い,最先端のGNNを超える有望な性能を継続的に獲得する。
  論文  参考訳（メタデータ） (2021-10-27T10:02:03Z)
• Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
  グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。 オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
  論文  参考訳（メタデータ） (2020-06-12T07:18:02Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。