論文の概要: Graph Neural Network Surrogates of Fair Graph Filtering
- arxiv url: http://arxiv.org/abs/2303.08157v2
- Date: Thu, 16 Mar 2023 10:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 11:20:58.460785
- Title: Graph Neural Network Surrogates of Fair Graph Filtering
- Title(参考訳): グラフニューラルネットワークによるフェアグラフフィルタリング
- Authors: Emmanouil Krasanakis, Symeon Papadopoulos
- Abstract要約: 後続目的に対するフィルタ対応ユニバーサル近似フレームワークを提案する。
これにより、実行時にトレーニングされた適切なグラフニューラルネットワークが、フィルタと同じようなものになる。
私たちは、パリティ制約を満たす際の代替手段よりも、我々のアプローチが等しく良いか、あるいは優れていることを示しています。
- 参考スコア(独自算出の注目度): 13.854091527965297
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph filters that transform prior node values to posterior scores via edge
propagation often support graph mining tasks affecting humans, such as
recommendation and ranking. Thus, it is important to make them fair in terms of
satisfying statistical parity constraints between groups of nodes (e.g.,
distribute score mass between genders proportionally to their representation).
To achieve this while minimally perturbing the original posteriors, we
introduce a filter-aware universal approximation framework for posterior
objectives. This defines appropriate graph neural networks trained at runtime
to be similar to filters but also locally optimize a large class of objectives,
including fairness-aware ones. Experiments on a collection of 8 filters and 5
graphs show that our approach performs equally well or better than alternatives
in meeting parity constraints while preserving the AUC of score-based community
member recommendation and creating minimal utility loss in prior diffusion.
- Abstract(参考訳): 先行ノード値から後続スコアに変換するグラフフィルタは、リコメンデーションやランキングなど、人間に影響を与えるグラフマイニングタスクをサポートすることが多い。
したがって、ノード群間の統計的パリティ制約(例えば、その表現に比例して性別間でスコアの質量を分配する)を満たす観点から、それらを公平にすることが重要である。
元の後方を最小限に摂動しながらこれを実現するため,後方目標に対するフィルタ対応普遍近似フレームワークを提案する。
これは、実行時にフィルタに類似するようにトレーニングされた適切なグラフニューラルネットワークを定義すると同時に、フェアネスを認識できるものを含む、大きな目的のクラスをローカルに最適化する。
8つのフィルタと5つのグラフの集合に対する実験により、我々のアプローチは、スコアベースのコミュニティメンバー推薦のAUCを維持しつつ、事前拡散の最小限のユーティリティ損失を発生させながら、パリティ制約を満たす方法よりも同等かそれ以上に優れていることが示された。
関連論文リスト
- DiP-GNN: Discriminative Pre-Training of Graph Neural Networks [49.19824331568713]
GNNのパワーを高めるために,グラフニューラルネットワーク(GNN)事前学習法が提案されている。
一般的な事前トレーニング手法の1つは、エッジのパーセンテージをマスクアウトすることであり、GNNはそれらを回復するように訓練されている。
筆者らのフレームワークでは, 識別器が見るグラフは, マスキングエッジの比率を回復できるため, 元のグラフとよく一致している。
論文 参考訳(メタデータ) (2022-09-15T17:41:50Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳(メタデータ) (2022-06-23T20:12:51Z) - Learning Optimal Propagation for Graph Neural Networks [43.8423133082037]
最適グラフ構造を学習するための二段階最適化に基づくアプローチを提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Graph filtering over expanding graphs [14.84852576248587]
本稿では,拡張グラフ上のデータに対するフィルタ学習手法を提案する。
正確なトポロジに依存するベースラインと比較して,ほぼ最適性能を示す。
これらの知見は、接続モデルのみに依存することにより、グラフの拡張よりも表現を学習するための基礎を築いた。
論文 参考訳(メタデータ) (2022-03-15T16:50:54Z) - Scaling Up Graph Neural Networks Via Graph Coarsening [18.176326897605225]
グラフニューラルネットワーク(GNN)のスケーラビリティは、マシンラーニングにおける大きな課題のひとつだ。
本稿では,GNNのスケーラブルなトレーニングにグラフ粗大化を用いることを提案する。
既成の粗大化法を単純に適用すれば,分類精度を著しく低下させることなく,ノード数を最大10倍に削減できることを示す。
論文 参考訳(メタデータ) (2021-06-09T15:46:17Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳(メタデータ) (2021-04-26T19:31:21Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳(メタデータ) (2020-10-21T20:04:22Z) - Adaptive Graph Encoder for Attributed Graph Embedding [36.06427854846497]
分散グラフ埋め込みは、グラフトポロジとノード特徴からベクトル表現を学ぶ。
本稿では,新しい属性グラフ埋め込みフレームワークであるAdaptive Graph(AGE)を提案する。
4つの公開ベンチマークデータセットを用いてノードクラスタリングとリンク予測タスクのAGEを検証する実験を行った。
論文 参考訳(メタデータ) (2020-07-03T10:20:34Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳(メタデータ) (2020-06-18T00:55:10Z) - Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。
以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。
所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文 参考訳(メタデータ) (2020-05-06T07:41:22Z)
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。