論文の概要: Chasing Fairness in Graphs: A GNN Architecture Perspective
- arxiv url: http://arxiv.org/abs/2312.12369v1
- Date: Tue, 19 Dec 2023 18:00:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 14:41:42.705288
- Title: Chasing Fairness in Graphs: A GNN Architecture Perspective
- Title(参考訳): グラフにおけるカオスフェアネス: GNNアーキテクチャの展望
- Authors: Zhimeng Jiang, Xiaotian Han, Chao Fan, Zirui Liu, Na Zou, Ali
Mostafavi, Xia Hu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 73.43111851492593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been significant progress in improving the performance of graph
neural networks (GNNs) through enhancements in graph data, model architecture
design, and training strategies. For fairness in graphs, recent studies achieve
fair representations and predictions through either graph data pre-processing
(e.g., node feature masking, and topology rewiring) or fair training strategies
(e.g., regularization, adversarial debiasing, and fair contrastive learning).
How to achieve fairness in graphs from the model architecture perspective is
less explored. More importantly, GNNs exhibit worse fairness performance
compared to multilayer perception since their model architecture (i.e.,
neighbor aggregation) amplifies biases. To this end, we aim to achieve fairness
via a new GNN architecture. We propose \textsf{F}air \textsf{M}essage
\textsf{P}assing (FMP) designed within a unified optimization framework for
GNNs. Notably, FMP \textit{explicitly} renders sensitive attribute usage in
\textit{forward propagation} for node classification task using cross-entropy
loss without data pre-processing. In FMP, the aggregation is first adopted to
utilize neighbors' information and then the bias mitigation step explicitly
pushes demographic group node presentation centers together. In this way, FMP
scheme can aggregate useful information from neighbors and mitigate bias to
achieve better fairness and prediction tradeoff performance. Experiments on
node classification tasks demonstrate that the proposed FMP outperforms several
baselines in terms of fairness and accuracy on three real-world datasets. The
code is available in {\url{https://github.com/zhimengj0326/FMP}}.
- Abstract(参考訳): グラフデータ、モデルアーキテクチャ設計、トレーニング戦略の強化を通じて、グラフニューラルネットワーク(GNN)のパフォーマンスが大幅に向上した。
グラフの公平性について、最近の研究では、グラフデータ前処理(ノードの特徴マスキングやトポロジーのリウィリングなど)または公正なトレーニング戦略(正規化、対向的デバイアス、公正なコントラスト学習など)を通じて公正な表現と予測が達成されている。
モデルアーキテクチャの観点からグラフの公平性を達成する方法は、あまり検討されていない。
さらに、GNNはモデルアーキテクチャ(例えば、隣接する集約)がバイアスを増幅しているため、多層認識と比較して公平性が劣る。
そこで我々は,新しいGNNアーキテクチャによる公平性の実現を目指している。
本稿では,GNN の統一最適化フレームワーク内に設計した \textsf{F}air \textsf{M}essage \textsf{P}assing (FMP) を提案する。
特に、FMP \textit{explicitly} は、データ前処理なしでクロスエントロピー損失を使用してノード分類タスクに対する \textit{forward propagation} における機密属性の使用をレンダリングする。
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って、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。
このようにして、FMPスキームは隣人から有用な情報を集約し、バイアスを緩和し、より良い公正性と予測トレードオフ性能を達成する。
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精度において、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。
コードは {\url{https://github.com/zhimengj0326/fmp}} で利用可能である。
関連論文リスト
- TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。
提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
論文 参考訳(メタデータ) (2024-11-23T05:31:25Z) - Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。
データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。
AGL-SC(Amplify Graph Learning framework)を提案する。
論文 参考訳(メタデータ) (2024-06-27T08:26:20Z) - A Unified Graph Selective Prompt Learning for Graph Neural Networks [20.595782116049428]
Graph Prompt Feature(GPF)は、Graph Neural Networks(GNN)のトレーニング済みモデルを適応することに成功した。
GNNファインチューニングのための新しいグラフ選択型プロンプト特徴学習(GSPF)を提案する。
論文 参考訳(メタデータ) (2024-06-15T04:36:40Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - 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) - 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) - FMP: Toward Fair Graph Message Passing against Topology Bias [43.70672256020857]
textsfFair textsfMessage textsfPassing (FMP) 方式が提案されている。
提案したFMPは、効果的で透明で、バックプロパゲーショントレーニングと互換性がある。
論文 参考訳(メタデータ) (2022-02-08T23:00:26Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳(メタデータ) (2021-09-08T18:10:08Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳(メタデータ) (2020-10-19T21:51:47Z)
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。