論文の概要: CAFIN: Centrality Aware Fairness inducing IN-processing for Unsupervised Representation Learning on Graphs

• arxiv url: http://arxiv.org/abs/2304.04391v3
• Date: Sat, 20 Apr 2024 08:46:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-24 01:32:01.857420
• Title: CAFIN: Centrality Aware Fairness inducing IN-processing for Unsupervised Representation Learning on Graphs
• Title（参考訳）: CAFIN: グラフ上での教師なし表現学習のためのインプロセッシングによる中心性意識の公平性
• Authors: Arvindh Arun, Aakash Aanegola, Amul Agrawal, Ramasuri Narayanam, Ponnurangam Kumaraguru,
• Abstract要約: CAFIN(Centrality-aware Fairness-inducing framework)は、既存のフレームワークが生成した表現を調整するためのフレームワークである。 GraphSAGEにデプロイし、ノード分類とリンク予測という2つの下流タスクで有効性を示します。
• 参考スコア（独自算出の注目度）: 10.042608422528392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised Representation Learning on graphs is gaining traction due to the increasing abundance of unlabelled network data and the compactness, richness, and usefulness of the representations generated. In this context, the need to consider fairness and bias constraints while generating the representations has been well-motivated and studied to some extent in prior works. One major limitation of most of the prior works in this setting is that they do not aim to address the bias generated due to connectivity patterns in the graphs, such as varied node centrality, which leads to a disproportionate performance across nodes. In our work, we aim to address this issue of mitigating bias due to inherent graph structure in an unsupervised setting. To this end, we propose CAFIN, a centrality-aware fairness-inducing framework that leverages the structural information of graphs to tune the representations generated by existing frameworks. We deploy it on GraphSAGE (a popular framework in this domain) and showcase its efficacy on two downstream tasks - Node Classification and Link Prediction. Empirically, CAFIN consistently reduces the performance disparity across popular datasets (varying from 18 to 80% reduction in performance disparity) from various domains while incurring only a minimal cost of fairness.
• Abstract（参考訳）: グラフ上での教師なし表現学習は、乱れのないネットワークデータの増大と、生成された表現のコンパクトさ、豊かさ、有用性により、勢いを増している。 この文脈では、表現の生成中に公平さとバイアスの制約を考慮する必要性が十分に動機付けられ、先行研究である程度研究されている。 この設定における以前の研究の大きな制限の1つは、ノード間の不均等なパフォーマンスをもたらす様々なノード中心性など、グラフ内の接続パターンによって生じるバイアスに対処することを目的としていないことである。 本研究は,教師なし環境でのグラフ構造によるバイアス軽減の問題に対処することを目的としている。 この目的のために我々は,グラフの構造情報を活用し,既存のフレームワークが生成した表現をチューニングする中心性を考慮したフェアネス誘導フレームワークであるCAFINを提案する。 GraphSAGE(このドメインで人気のあるフレームワーク)にデプロイし、ノード分類とリンク予測という2つの下流タスクで有効性を示します。 実証的には、CAFINは、さまざまなドメインからの一般的なデータセット(18から80%のパフォーマンス格差の削減)間のパフォーマンス格差を一貫して低減します。

関連論文リスト

• 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)
• 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)
• Marginal Nodes Matter: Towards Structure Fairness in Graphs [77.25149739933596]
  構造フェアネスを実現するために,textbfStructural textbfFair textbfGraph textbfNeural textbfNetwork (SFairGNN)を提案する。 実験の結果、SFairGNNは、下流タスクにおける全体的な性能を維持しながら、構造フェアネスを大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2023-10-23T03:20:32Z)
• Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
  冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。 オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。 この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
  論文  参考訳（メタデータ） (2023-09-09T06:18:50Z)
• FairGen: Towards Fair Graph Generation [76.34239875010381]
  フェアネスを考慮したグラフ生成モデルFairGenを提案する。 我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。 Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
  論文  参考訳（メタデータ） (2023-03-30T23:30:42Z)
• USER: Unsupervised Structural Entropy-based Robust Graph Neural Network [22.322867182077182]
  教師なしグラフニューラルネットワーク(GNN)は、入力グラフデータの固有のランダム性に対して脆弱である。 構造エントロピーに基づくグラフニューラルネットワークの教師なしロバストバージョンであるUSERを提案する。 ランダムノイズ下でのクラスタリングとリンク予測タスク、および3つのデータセットに対するメタアタックの実験は、USERのベンチマークより優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-12T10:32:12Z)
• Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
  グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。 我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。 本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
  論文  参考訳（メタデータ） (2022-09-08T16:20:25Z)
• 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)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Sub-graph Contrast for Scalable Self-Supervised Graph Representation Learning [21.0019144298605]
  既存のグラフニューラルネットワークは、計算量やメモリコストが限られているため、完全なグラフデータで供給される。 textscSubg-Conは、中央ノードとそのサンプルサブグラフ間の強い相関を利用して、地域構造情報をキャプチャすることで提案される。 既存のグラフ表現学習アプローチと比較して、textscSubg-Conは、より弱い監視要件、モデル学習のスケーラビリティ、並列化において、顕著なパフォーマンス上のアドバンテージを持っています。
  論文  参考訳（メタデータ） (2020-09-22T01:58:19Z)

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。