論文の概要: FairGAT: Fairness-aware Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2303.14591v1
• Date: Sun, 26 Mar 2023 00:10:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 18:46:33.967369
• Title: FairGAT: Fairness-aware Graph Attention Networks
• Title（参考訳）: FairGAT: 公正を意識したグラフアテンションネットワーク
• Authors: O. Deniz Kose, Yanning Shen
• Abstract要約: グラフアテンションネットワーク(GAT)は、グラフベースのタスクに最も広く利用されているニューラルネットワーク構造の一つとなっている。 GATにおけるアテンションデザインがアルゴリズムバイアスに与える影響については検討されていない。 フェアネスを意識したアテンションデザインを活用する新しいアルゴリズムであるFairGATを開発した。
• 参考スコア（独自算出の注目度）: 9.492903649862761
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs can facilitate modeling various complex systems such as gene networks and power grids, as well as analyzing the underlying relations within them. Learning over graphs has recently attracted increasing attention, particularly graph neural network-based (GNN) solutions, among which graph attention networks (GATs) have become one of the most widely utilized neural network structures for graph-based tasks. Although it is shown that the use of graph structures in learning results in the amplification of algorithmic bias, the influence of the attention design in GATs on algorithmic bias has not been investigated. Motivated by this, the present study first carries out a theoretical analysis in order to demonstrate the sources of algorithmic bias in GAT-based learning for node classification. Then, a novel algorithm, FairGAT, that leverages a fairness-aware attention design is developed based on the theoretical findings. Experimental results on real-world networks demonstrate that FairGAT improves group fairness measures while also providing comparable utility to the fairness-aware baselines for node classification and link prediction.
• Abstract（参考訳）: グラフは、遺伝子ネットワークや電力グリッドのような様々な複雑なシステムのモデリングを容易にし、その基盤となる関係を分析する。 グラフ上の学習は最近注目を集めており、特にグラフニューラルネットワークベースのソリューションはグラフアテンションネットワーク(gats)がグラフベースのタスクで最も広く使われているニューラルネットワークの1つとなっている。 学習におけるグラフ構造の利用は,アルゴリズムバイアスの増幅をもたらすことが示されているが,GATにおける注意設計がアルゴリズムバイアスに与える影響は研究されていない。 そこで本研究では,gatに基づくノード分類学習におけるアルゴリズムバイアスの源泉を示すために,まず理論解析を行った。 そして,その理論的な結果に基づいて,公正な注意設計を活用する新しいアルゴリズムであるFairGATを開発した。 実世界のネットワークにおける実験結果は、fairgatがグループフェアネス対策を改善し、また、ノード分類とリンク予測のためのフェアネス対応ベースラインと同等のユーティリティを提供することを示した。

関連論文リスト

• Graph Reasoning Networks [9.18586425686959]
  Graph Reasoning Networks (GRNs) は、グラフ表現と学習したグラフ表現の長所と、微分可能満足度解法に基づく推論モジュールを組み合わせるための新しいアプローチである。 実世界のデータセットの結果は、GNNに匹敵するパフォーマンスを示している。 合成データセットの実験は、新しく提案された手法の可能性を示している。
  論文  参考訳（メタデータ） (2024-07-08T10:53:49Z)
• Fair Graph Neural Network with Supervised Contrastive Regularization [12.666235467177131]
  公平性を考慮したグラフニューラルネットワーク(GNN)の学習モデルを提案する。 提案手法は, コントラスト損失と環境損失を統合し, 精度と公正性を両立させる。
  論文  参考訳（メタデータ） (2024-04-09T07:49:05Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Generative Graph Neural Networks for Link Prediction [13.643916060589463]
  欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。 本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。 リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
  論文  参考訳（メタデータ） (2022-12-31T10:07:19Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• Theory of Graph Neural Networks: Representation and Learning [44.02161831977037]
  グラフニューラルネットワーク(GNN)は、ノードやグラフ、ポイントの設定を予測するための一般的な学習モデルになっている。 本稿では、広く使われているメッセージパッシングGNNと高次GNNの近似と学習特性に関する、新たな理論結果の選択について要約する。
  論文  参考訳（メタデータ） (2022-04-16T02:08:50Z)
• 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)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。