論文の概要: Understanding Community Bias Amplification in Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2312.04883v1
• Date: Fri, 8 Dec 2023 07:43:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 15:46:50.521563
• Title: Understanding Community Bias Amplification in Graph Representation Learning
• Title（参考訳）: グラフ表現学習におけるコミュニティバイアス増幅の理解
• Authors: Shengzhong Zhang, Wenjie Yang, Yimin Zhang, Hongwei Zhang, Divin Yan, Zengfeng Huang
• Abstract要約: 本稿では,グラフ表現学習におけるコミュニティバイアス増幅現象について検討する。 本稿では,Random Graph Coarsening Contrastive Learningと呼ばれる新しいグラフコントラスト学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 22.522798932536038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we discover a phenomenon of community bias amplification in graph representation learning, which refers to the exacerbation of performance bias between different classes by graph representation learning. We conduct an in-depth theoretical study of this phenomenon from a novel spectral perspective. Our analysis suggests that structural bias between communities results in varying local convergence speeds for node embeddings. This phenomenon leads to bias amplification in the classification results of downstream tasks. Based on the theoretical insights, we propose random graph coarsening, which is proved to be effective in dealing with the above issue. Finally, we propose a novel graph contrastive learning model called Random Graph Coarsening Contrastive Learning (RGCCL), which utilizes random coarsening as data augmentation and mitigates community bias by contrasting the coarsened graph with the original graph. Extensive experiments on various datasets demonstrate the advantage of our method when dealing with community bias amplification.
• Abstract（参考訳）: 本研究では,グラフ表現学習におけるコミュニティバイアス増幅現象を発見し,グラフ表現学習によって異なるクラス間でのパフォーマンスバイアスが悪化することを示す。 我々は、新しいスペクトルの観点から、この現象の深い理論的研究を行う。 分析の結果,コミュニティ間の構造バイアスがノード埋め込みの局所収束速度の変化をもたらすことが示唆された。 この現象は下流タスクの分類結果にバイアス増幅をもたらす。 理論的知見に基づき,上記の問題に対処する上で有効であることが証明されたランダムグラフの粗化を提案する。 最後に,ランダム粗粒化をデータ拡張として活用し,粗粒化グラフと元のグラフを対比することによりコミュニティバイアスを軽減する,ランダムグラフ粗粒化比較学習(rgccl)と呼ばれる新しいグラフコントラスト学習モデルを提案する。 各種データセットに対する大規模な実験により,コミュニティバイアス増幅における手法の利点が示された。

関連論文リスト

• 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)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
  本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。 RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
  論文  参考訳（メタデータ） (2022-08-18T01:31:25Z)
• Beyond spectral gap: The role of the topology in decentralized learning [58.48291921602417]
  機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。 本稿では、労働者が同じデータ分散を共有するとき、疎結合な分散最適化の正確な図面を描くことを目的とする。 我々の理論は深層学習における経験的観察と一致し、異なるグラフトポロジーの相対的メリットを正確に記述する。
  論文  参考訳（メタデータ） (2022-06-07T08:19:06Z)
• 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)
• Graph-wise Common Latent Factor Extraction for Unsupervised Graph Representation Learning [40.70562886682939]
  我々は、教師なしグラフ表現学習のための新しい原則を提案する:グラフワイド共通潜在因子抽出(GCFX) GCFXは入力グラフから一般的な潜伏因子を明示的に抽出し、現在の最先端のタスクで改善された結果を達成する。 広範囲な実験と分析により,GCFXは個々のノードや周辺地域の局所的な変動による障害を軽減するため,グラフレベルのタスクに有用であることを示す。
  論文  参考訳（メタデータ） (2021-12-16T12:22:49Z)
• 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)
• 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)
• 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)

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。