論文の概要: FairWire: Fair Graph Generation

• arxiv url: http://arxiv.org/abs/2402.04383v1
• Date: Tue, 6 Feb 2024 20:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 17:53:51.103177
• Title: FairWire: Fair Graph Generation
• Title（参考訳）: FairWire:公正なグラフ生成
• Authors: O. Deniz Kose and Yanning Shen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.6649050946022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning over graphs has recently attracted growing attention due to its ability to analyze and learn complex relations within critical interconnected systems. However, the disparate impact that is amplified by the use of biased graph structures in these algorithms has raised significant concerns for the deployment of them in real-world decision systems. In addition, while synthetic graph generation has become pivotal for privacy and scalability considerations, the impact of generative learning algorithms on the structural bias has not yet been investigated. Motivated by this, this work focuses on the analysis and mitigation of structural bias for both real and synthetic graphs. Specifically, we first theoretically analyze the sources of structural bias that result in disparity for the predictions of dyadic relations. To alleviate the identified bias factors, we design a novel fairness regularizer that offers a versatile use. Faced with the bias amplification in graph generation models that is brought to light in this work, we further propose a fair graph generation framework, FairWire, by leveraging our fair regularizer design in a generative model. Experimental results on real-world networks validate that the proposed tools herein deliver effective structural bias mitigation for both real and synthetic graphs.
• Abstract（参考訳）: グラフ上の機械学習は、重要な相互接続システム内で複雑な関係を分析し学習する能力によって、近年注目を集めている。 しかし、これらのアルゴリズムにおける偏りのあるグラフ構造の使用によって増幅される異なる影響は、現実世界の意思決定システムにおけるそれらの導入に重大な懸念を提起している。 加えて、合成グラフ生成はプライバシやスケーラビリティの観点から重要になっているが、構造バイアスに対する生成学習アルゴリズムの影響はまだ調査されていない。 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。 具体的には,まず,構造バイアスの発生源を理論的に解析し,不均一な関係の予測を行う。 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。 本研究で明らかになったグラフ生成モデルのバイアス増幅に直面すると、我々はさらに公正なグラフ生成フレームワークであるFairWireを提案し、この公正な正規化設計を生成モデルに活用する。 実世界のネットワークにおける実験結果から,提案手法が実グラフと合成グラフの両方に対して効果的な構造バイアス緩和をもたらすことが検証された。

関連論文リスト

• CEGRL-TKGR: A Causal Enhanced Graph Representation Learning Framework for Improving Temporal Knowledge Graph Extrapolation Reasoning [1.6795461001108096]
  時間的知識グラフ推論(TKGR)のための革新的な因果拡張グラフ表現学習フレームワークを提案する。 まず、時間グラフ列における実体と関係の進化的表現を、2つの異なる成分、すなわち因果表現と共起表現に分解する。
  論文  参考訳（メタデータ） (2024-08-15T03:34:53Z)
• Introducing Diminutive Causal Structure into Graph Representation Learning [19.132025125620274]
  本稿では,グラフニューラルネット(GNN)が専門的な最小の因果構造から洞察を得ることを可能にする新しい手法を提案する。 本手法は,これらの小型因果構造のモデル表現から因果知識を抽出する。
  論文  参考訳（メタデータ） (2024-06-13T00:18:20Z)
• Injecting Hamiltonian Architectural Bias into Deep Graph Networks for Long-Range Propagation [55.227976642410766]
  グラフ内の情報拡散のダイナミクスは、グラフ表現学習に大きな影響を及ぼす重要なオープン問題である。 そこで我々は(ポート-)Hamiltonian Deep Graph Networksを紹介した。 我々は,非散逸的長距離伝播と非保守的行動の両方を,単一の理論的・実践的な枠組みで調整する。
  論文  参考訳（メタデータ） (2024-05-27T13:36:50Z)
• Understanding Community Bias Amplification in Graph Representation Learning [22.522798932536038]
  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。
  論文  参考訳（メタデータ） (2023-12-08T07:43:05Z)
• 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)
• 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)
• 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)
• 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)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• Goal-directed graph construction using reinforcement learning [3.291429094499946]
  我々は、中央エージェントが試行錯誤によってトポロジを生成する決定過程としてグラフの構築を定式化する。 グラフ構築と改善戦略を学習するための強化学習とグラフニューラルネットワークに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-30T12:11:45Z)

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。