論文の概要: Structural Group Unfairness: Measurement and Mitigation by means of the Effective Resistance
- arxiv url: http://arxiv.org/abs/2305.03223v3
- Date: Fri, 22 Nov 2024 15:46:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-25 18:35:58.947445
- Title: Structural Group Unfairness: Measurement and Mitigation by means of the Effective Resistance
- Title（参考訳）: 構造群不公平性:有効抵抗による測定と緩和
- Authors: Adrian Arnaiz-Rodriguez, Georgina Curto, Nuria Oliver,
- Abstract要約: ソーシャルネットワークは、コミュニティ内の関係、信頼の規範、相互性として定義された社会資本の分配に寄与する。
集団レベルでの社会的資本の定量化方法の欠如は、保護属性に基づいてグループを定義した場合に特に重要である。
グループ分離, グループ径, グループ制御という, グループ資本の効果的な抵抗に基づく3つの尺度を導入し, グループを保護属性の値に応じて定義する。
- 参考スコア（独自算出の注目度）: 6.7454940931279666
- License:
- Abstract: Social networks contribute to the distribution of social capital, defined as the relationships, norms of trust and reciprocity within a community or society that facilitate cooperation and collective action. Therefore, better positioned members in a social network benefit from faster access to diverse information and higher influence on information dissemination. A variety of methods have been proposed in the literature to measure social capital at an individual level. However, there is a lack of methods to quantify social capital at a group level, which is particularly important when the groups are defined on the grounds of protected attributes. To fill this gap, we propose to measure the social capital of a group of nodes by means of the effective resistance and emphasize the importance of considering the entire network topology. Grounded in spectral graph theory, we introduce three effective resistance-based measures of group social capital, namely group isolation, group diameter and group control, where the groups are defined according to the value of a protected attribute. We denote the social capital disparity among different groups in a network as structural group unfairness, and propose to mitigate it by means of a budgeted edge augmentation heuristic that systematically increases the social capital of the most disadvantaged group. In experiments on real-world networks, we uncover significant levels of structural group unfairness when using gender as the protected attribute, with females being the most disadvantaged group in comparison to males. We also illustrate how our proposed edge augmentation approach is able to not only effectively mitigate the structural group unfairness but also increase the social capital of all groups in the network.
- Abstract（参考訳）: ソーシャルネットワークは、協力と集団行動を促進するコミュニティや社会内の関係、信頼の規範、相互性として定義された社会資本の分配に寄与する。
したがって、ソーシャルネットワークのより優れた位置にいるメンバーは、多様な情報へのアクセスが早くなり、情報発信への影響が高まるという利点がある。
社会資本を個人レベルで測定するための様々な手法が文献で提案されている。
しかし、集団レベルでの社会的資本の定量化方法の欠如は、保護的属性に基づいてグループを定義した場合に特に重要である。
このギャップを埋めるために,ネットワークトポロジ全体を考慮することの重要性を強調し,有効抵抗を用いてノード群の社会的資本を測定することを提案する。
スペクトルグラフ理論を基礎として,グループ分離,グループ径,グループ制御という,グループ資本の有効抵抗に基づく3つの尺度を導入し,グループを保護属性の値に基づいて定義する。
ネットワーク内の異なるグループ間の社会的資本格差を構造的グループ不公平と表現し、最も不利なグループの社会的資本を体系的に増加させる予算付きエッジ増強ヒューリスティックにより軽減することを提案する。
実世界のネットワークでの実験では、性別を保護属性として使用する際の構造的グループ不公平性のかなりのレベルが明らかにされ、女性は男性と比較して最も不利なグループである。
また,提案手法が,構造群の不公平性を効果的に緩和するだけでなく,ネットワーク内のすべてのグループの社会的資本を増大させることができることを示す。
関連論文リスト
- How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
グループ不均衡は経験的リスク最小化において既知の問題である。
本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
論文 参考訳（メタデータ） (2024-03-12T04:38:05Z) - Federated Fairness without Access to Sensitive Groups [12.888927461513472]
連合学習におけるグループフェアネスへの現在のアプローチは、トレーニング中に事前に定義されラベル付けされたセンシティブなグループが存在することを前提としている。
我々は、センシティブなグループや追加のラベルの事前定義された定義に依存しないグループフェアネスを保証するための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-02-22T19:24:59Z) - Group fairness without demographics using social networks [29.073125057536014]
グループフェアネス(英: Group Fairness)は、人種、性別、障害などのセンシティブな属性に基づいて、個人の好ましくない扱いを防止するための一般的なアプローチである。
そこで本稿では, センシティブな属性に依存しないフェアネスの「グループフリー」尺度を提案する。
論文 参考訳（メタデータ） (2023-05-19T00:45:55Z) - Fair Information Spread on Social Networks with Community Structure [2.9613974659787132]
インフルエンス・マキシミザ・オン(IM)アルゴリズムは、情報が提供された場合、ソーシャルネットワークを通じて最も大きなスプレッドを発生させる個人を特定することを目的としている。
この作業は、最適公正情報拡散のためのシードアロケーション戦略を決定するために使用されるソーシャルネットワークにモデルを適用することに依存する。
論文 参考訳（メタデータ） (2023-05-15T16:51:18Z) - Social Diversity Reduces the Complexity and Cost of Fostering Fairness [63.70639083665108]
不完全な情報や公平性の柔軟な基準を前提とした干渉機構の効果について検討する。
多様性の役割を定量化し、情報収集の必要性を減らす方法を示す。
この結果から,多様性が変化し,公正性向上を目指す機関に新たなメカニズムが開放されることが示唆された。
論文 参考訳（メタデータ） (2022-11-18T21:58:35Z) - Hunting Group Clues with Transformers for Social Group Activity
Recognition [3.1061678033205635]
社会的グループ活動認識には、複数のサブグループ活動を認識し、グループメンバーを特定する必要がある。
既存のほとんどのメソッドは、リージョンの機能を精錬し、それらをアクティビティのフィーチャにまとめることで、両方のタスクに取り組みます。
我々は,効果的なソーシャルグループ機能を生成するために,トランスフォーマーのアテンションモジュールを活用することを提案する。
本手法は,アテンションモジュールが社会的グループ活動に関連する特徴を識別し,集約するように設計されている。
論文 参考訳（メタデータ） (2022-07-12T01:46:46Z) - Measuring Fairness Under Unawareness of Sensitive Attributes: A
Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。
定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文 参考訳（メタデータ） (2021-09-17T13:45:46Z) - Group mixing drives inequality in face-to-face gatherings [2.7728956081909346]
対面状況下での社会集団の相互作用は、社会集団の可視性における格差の出現を可能にすることを示す。
群混合と群サイズ不均衡の結果,これらの相違を説明するメカニズムについて述べる。
論文 参考訳（メタデータ） (2021-06-22T11:44:02Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳（メタデータ） (2021-05-24T02:30:22Z) - GAEA: Graph Augmentation for Equitable Access via Reinforcement Learning [50.90625274621288]
異なるサブ人口によるリソースへの別のアクセスは、社会および社会技術ネットワークにおける一般的な問題です。
予算制約下でグラフエッジを編集することにより,ネットワークシステムにおける公平性を高めるため,新たな問題クラスであるグラフ拡張・等価アクセス(GAEA)を導入する。
論文 参考訳（メタデータ） (2020-12-07T18:29:32Z) - Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。
我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
論文 参考訳（メタデータ） (2020-06-13T06:43:37Z)
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。