論文の概要: Fairness-aware Optimal Graph Filter Design

• arxiv url: http://arxiv.org/abs/2310.14432v1
• Date: Sun, 22 Oct 2023 22:40:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 23:51:34.165258
• Title: Fairness-aware Optimal Graph Filter Design
• Title（参考訳）: フェアネスを考慮した最適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。
• 参考スコア（独自算出の注目度）: 25.145533328758614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs are mathematical tools that can be used to represent complex real-world interconnected 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, here we take a fresh look at the problem of bias mitigation in graph-based learning by borrowing insights from graph signal processing. Our idea is to introduce predesigned graph filters within an ML pipeline to reduce a novel unsupervised bias measure, namely the correlation between sensitive attributes and the underlying graph connectivity. We show that the optimal design of said filters can be cast as a convex problem in the graph spectral domain. We also formulate a linear programming (LP) problem informed by a theoretical bias analysis, which attains a closed-form solution and leads to a more efficient fairness-aware graph filter. Finally, for a design whose degrees of freedom are independent of the input graph size, we minimize the bias metric over the family of polynomial graph convolutional filters. Our optimal filter designs offer complementary strengths to explore favorable fairness-utility-complexity tradeoffs. For performance evaluation, we conduct extensive and reproducible node classification experiments over real-world networks. Our results show that the proposed framework leads to better fairness measures together with similar utility compared to state-of-the-art fairness-aware baselines.
• Abstract（参考訳）: グラフは、金融市場やソーシャルネットワークなど、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。 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。 この課題に直面した我々は,グラフ信号処理からの洞察を借りて,グラフベース学習におけるバイアス緩和の問題を新たに検討する。 私たちのアイデアは、mlパイプライン内に事前設計されたグラフフィルタを導入することで、新しい教師なしバイアス測度、すなわち機密属性と基盤となるグラフ接続との相関を低減することです。 グラフスペクトル領域における凸問題として,これらのフィルタの最適設計が可能であることを示す。 また,線形計画法(lp)問題を理論バイアス解析により定式化し,閉形式解を求め,より効率的なフェアネス認識グラフフィルタを実現する。 最後に、入力グラフサイズに依存しない自由度を持つ設計の場合、多項式グラフ畳み込みフィルタの族上のバイアス計量を最小化する。 我々の最適フィルタ設計は、有利なフェアネス・ユーティリティ・複雑さトレードオフを探索するための相補的な強度を提供する。 性能評価のために,実世界ネットワーク上でノード分類実験を行った。 本研究の結果から,提案フレームワークは,最先端の公正意識ベースラインと比較して,同等の実用性とともに公正度対策に寄与することが示唆された。

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)
• 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)
• Fairness-Aware Graph Filter Design [19.886840347109285]
  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。
  論文  参考訳（メタデータ） (2023-03-20T21:31:51Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• 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)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)

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。