論文の概要: Fair Attribute Completion on Graph with Missing Attributes

• arxiv url: http://arxiv.org/abs/2302.12977v1
• Date: Sat, 25 Feb 2023 04:12:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 19:47:35.575544
• Title: Fair Attribute Completion on Graph with Missing Attributes
• Title（参考訳）: 欠落属性付きグラフ上でのフェア属性補完
• Authors: Dongliang Guo, Zhixuan Chu, Sheng Li
• Abstract要約: フェア属性補完法であるFairACを提案し,不備な属性を持つグラフに対するフェアノード埋め込みを学習する。 本手法は,公正なグラフ学習の最先端手法と比較して,精度の犠牲を少なくして,公平性を向上できることを示す。
• 参考スコア（独自算出の注目度）: 9.601837205635686
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Tackling unfairness in graph learning models is a challenging task, as the unfairness issues on graphs involve both attributes and topological structures. Existing work on fair graph learning simply assumes that attributes of all nodes are available for model training and then makes fair predictions. In practice, however, the attributes of some nodes might not be accessible due to missing data or privacy concerns, which makes fair graph learning even more challenging. In this paper, we propose FairAC, a fair attribute completion method, to complement missing information and learn fair node embeddings for graphs with missing attributes. FairAC adopts an attention mechanism to deal with the attribute missing problem and meanwhile, it mitigates two types of unfairness, i.e., feature unfairness from attributes and topological unfairness due to attribute completion. FairAC can work on various types of homogeneous graphs and generate fair embeddings for them and thus can be applied to most downstream tasks to improve their fairness performance. To our best knowledge, FairAC is the first method that jointly addresses the graph attribution completion and graph unfairness problems. Experimental results on benchmark datasets show that our method achieves better fairness performance with less sacrifice in accuracy, compared with the state-of-the-art methods of fair graph learning.
• Abstract（参考訳）: グラフ学習モデルにおける不公平さに取り組むことは難しい課題であり、グラフ上の不公平性の問題には属性と位相構造の両方が含まれる。 公正グラフ学習に関する既存の研究は、すべてのノードの属性がモデルトレーニングに利用可能であると仮定し、公正な予測を行う。 しかし実際には、データの欠如やプライバシ上の懸念から、一部のノードの属性にアクセスできない場合があるため、公正なグラフ学習がさらに困難になる。 本稿では,不備な情報を補完し,不備な属性を持つグラフに対する公正なノード埋め込みを学習するためのフェア属性補完法であるフェアACを提案する。 FairACは属性不足問題に対処するための注意機構を採用し、一方で属性の不公平性、すなわち属性完了による属性の不公平性とトポロジカル不公平性の2つのタイプを緩和する。 FairACは、様々な種類の同質グラフに取り組み、それらに対して公平な埋め込みを生成することができるため、ほとんどの下流タスクに適用することで、その公正さのパフォーマンスを向上させることができる。 我々の知る限り、FairACは、グラフ帰属完了とグラフの不公平問題に共同で対処する最初の方法である。 ベンチマークデータセットにおける実験結果から,本手法は,公正グラフ学習の最先端手法と比較して,精度の犠牲を少なく,公平性が向上することが示された。

関連論文リスト

• Graph Fairness Learning under Distribution Shifts [33.9878682279549]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データにおいて顕著なパフォーマンスを実現している。 GNNは、トレーニングデータから偏見を継承し、性別や人種などのセンシティブな属性に基づいて差別予測を行うことができる。 本稿では,異なる距離で有意な偏差を持つ多数のグラフを生成するグラフ生成器を提案する。
  論文  参考訳（メタデータ） (2024-01-30T06:51:24Z)
• Deceptive Fairness Attacks on Graphs via Meta Learning [102.53029537886314]
  グラフ学習モデルにおいて、どのようにして有害な攻撃を達成すれば、バイアスを欺いて悪化させることができるのか? 本稿では,FATEというメタラーニングに基づくフレームワークを提案し,様々なフェアネス定義やグラフ学習モデルに対処する。 半教師付きノード分類のタスクにおいて,実世界のデータセットに関する広範な実験的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-24T09:10:14Z)
• 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)
• Impact Of Missing Data Imputation On The Fairness And Accuracy Of Graph Node Classifiers [0.19573380763700707]
  グラフデータ(ノード属性)インプットの文脈における公平性への影響を,埋め込みとニューラルネットワークの異なる手法を用いて解析する。 この結果から,グラフデータの公平性や,グラフの欠落を効率的に処理する方法について,貴重な知見が得られる。
  論文  参考訳（メタデータ） (2022-11-01T23:16:36Z)
• Counterfactual Fairness with Partially Known Causal Graph [85.15766086381352]
  本稿では,真の因果グラフが不明な場合に,対実フェアネスの概念を実現するための一般的な手法を提案する。 特定の背景知識が提供されると、正の因果グラフが完全に知られているかのように、反ファクト的公正性を達成することができる。
  論文  参考訳（メタデータ） (2022-05-27T13:40:50Z)
• 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)
• Learning on Attribute-Missing Graphs [66.76561524848304]
  部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。 一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。 我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
  論文  参考訳（メタデータ） (2020-11-03T11:09:52Z)

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。