論文の概要: Fairness-Aware Graph Filter Design

• arxiv url: http://arxiv.org/abs/2303.11459v1
• Date: Mon, 20 Mar 2023 21:31:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 17:15:27.073235
• Title: Fairness-Aware Graph Filter Design
• Title（参考訳）: フェアネスアウェアグラフフィルタの設計
• Authors: O.Deniz Kose, Yanning Shen, Gonzalo Mateos
• Abstract要約: グラフは、複雑な現実世界のシステムを表現するために使用できる数学的ツールである。 グラフ上の機械学習(ML)は、すでに存在するグループに対する偏見を増幅する。 本稿では,グラフに基づく学習タスクに多用できる公正なグラフフィルタを提案する。
• 参考スコア（独自算出の注目度）: 19.886840347109285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs are mathematical tools that can be used to represent complex real-world systems, such as financial markets and social networks. Hence, machine learning (ML) over graphs has attracted significant attention recently. However, it has been demonstrated that ML over graphs amplifies the already existing bias towards certain under-represented groups in various decision-making problems due to the information aggregation over biased graph structures. Faced with this challenge, in this paper, we design a fair graph filter that can be employed in a versatile manner for graph-based learning tasks. The design of the proposed filter is based on a bias analysis and its optimality in mitigating bias compared to its fairness-agnostic counterpart is established. Experiments on real-world networks for node classification demonstrate the efficacy of the proposed filter design in mitigating bias, while attaining similar utility and better stability compared to baseline algorithms.
• Abstract（参考訳）: グラフは、金融市場やソーシャルネットワークのような複雑な現実世界のシステムを表現するのに使える数学的ツールである。 そのため、グラフ上の機械学習(ml)が注目されている。 しかし、ml over graphsは、バイアス付きグラフ構造に対する情報集約によって、さまざまな意思決定問題において、既存の未表示グループに対するバイアスを増幅することが示されている。 本論文では,この課題に直面して,グラフベースの学習タスクに多用できる公正なグラフフィルタを設計する。 提案フィルタの設計は, バイアス解析に基づいており, 公平性非依存フィルタと比較して, バイアス緩和の最適性が確立されている。 ノード分類のための実世界のネットワーク実験により、バイアス緩和におけるフィルタ設計の有効性が示され、同じ実用性と安定性がベースラインアルゴリズムと比較された。

関連論文リスト

• Online Graph Filtering Over Expanding Graphs [14.594691605523005]
  オンライン学習の原則に依存するオンライングラフフィルタリングフレームワークを提案する。 このような進化に適応した学習者を含む、トポロジが知られ、未知のシナリオのためのフィルタを設計する。 我々は,オンラインアルゴリズムやフィルタ順序,成長するグラフモデルなど,さまざまなコンポーネントが果たす役割を強調するために,後悔の意を表す分析を行う。
  論文  参考訳（メタデータ） (2024-09-11T11:50:16Z)
• FairWire: Fair Graph Generation [18.6649050946022]
  この研究は、実グラフと合成グラフの両方における構造バイアスの分析と緩和に焦点を当てている。 同定されたバイアス要因を緩和するため、多目的な利用を提供する新しい公正正則化器を設計する。 本稿では, 公正な正規化器設計を生成モデルで活用することにより, 公正なグラフ生成フレームワークであるFairWireを提案する。
  論文  参考訳（メタデータ） (2024-02-06T20:43:00Z)
• 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)
• 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 Optimal Graph Filter Design [25.145533328758614]
  グラフは、複雑な現実世界の相互接続システムを表現するために使用できる数学的ツールである。 グラフ上の機械学習(ML)は、最近大きな注目を集めている。 グラフ信号処理からの洞察を借りて,グラフ学習におけるバイアス緩和の問題を新たに検討する。
  論文  参考訳（メタデータ） (2023-10-22T22:40:40Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 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)
• OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
  グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。 既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。 本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
  論文  参考訳（メタデータ） (2021-12-07T16:29:10Z)
• 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)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)

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。