論文の概要: Theoretical and Empirical Insights into the Origins of Degree Bias in Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2404.03139v2
- Date: Thu, 31 Oct 2024 18:48:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-04 14:32:01.271424
- Title: Theoretical and Empirical Insights into the Origins of Degree Bias in Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークにおけるDegree Biasの起源に関する理論的および実証的研究
- Authors: Arjun Subramonian, Jian Kang, Yizhou Sun,
- Abstract要約: グラフニューラルネットワーク(GNN)は、ノード分類タスクにおいて、低次ノードよりも高次ノードでよく機能する。
この度合いバイアスは、ソーシャルネットワークにおける有名人や他の高位のアクターを搾取することで、社会の限界化を強化することができる。
次数バイアスはノードの次数に関連する様々な要因から生じることを示す。
- 参考スコア（独自算出の注目度）: 43.803378661771596
- License:
- Abstract: Graph Neural Networks (GNNs) often perform better for high-degree nodes than low-degree nodes on node classification tasks. This degree bias can reinforce social marginalization by, e.g., privileging celebrities and other high-degree actors in social networks during social and content recommendation. While researchers have proposed numerous hypotheses for why GNN degree bias occurs, we find via a survey of 38 degree bias papers that these hypotheses are often not rigorously validated, and can even be contradictory. Thus, we provide an analysis of the origins of degree bias in message-passing GNNs with different graph filters. We prove that high-degree test nodes tend to have a lower probability of misclassification regardless of how GNNs are trained. Moreover, we show that degree bias arises from a variety of factors that are associated with a node's degree (e.g., homophily of neighbors, diversity of neighbors). Furthermore, we show that during training, some GNNs may adjust their loss on low-degree nodes more slowly than on high-degree nodes; however, with sufficiently many epochs of training, message-passing GNNs can achieve their maximum possible training accuracy, which is not significantly limited by their expressive power. Throughout our analysis, we connect our findings to previously-proposed hypotheses for the origins of degree bias, supporting and unifying some while drawing doubt to others. We validate our theoretical findings on 8 common real-world networks, and based on our theoretical and empirical insights, describe a roadmap to alleviate degree bias.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、ノード分類タスクにおいて、低次ノードよりも高次ノードでよく機能する。
この度合いバイアスは、例えば、ソーシャルおよびコンテンツレコメンデーションの間、ソーシャルネットワークにおけるセレブやその他の高位のアクターを特権化することで、社会の限界化を強化することができる。
研究者は、GNNの度数偏差がなぜ起こるのかという仮説を多数提案しているが、38度の偏差による調査の結果、これらの仮説は厳密に検証されず、矛盾する可能性さえあることが判明した。
そこで本稿では,異なるグラフフィルタを用いたメッセージパスGNNにおける次数バイアスの起源を解析する。
我々は、GNNの訓練方法にかかわらず、高次テストノードは誤分類の確率が低いことを証明している。
さらに、次数バイアスは、ノードの次数(例えば、隣人のホモフィリー、隣人の多様性)に関連する様々な要因から生じることを示す。
さらに,訓練中のGNNは,高次ノードよりも低次ノードの損失を緩やかに調整することができるが,訓練の時期が十分に多く,メッセージパッシングGNNは最大トレーニング精度を達成できる。
分析を通して、我々の発見を、以前に提案された学位バイアスの起源の仮説に結びつけ、疑念を抱きながら、一部を支持、統一する。
我々は,8つの一般的な実世界のネットワークに関する理論的知見を検証し,理論的および経験的洞察に基づいて,次数バイアスを緩和するためのロードマップを記述する。
関連論文リスト
- Mitigating Degree Bias in Signed Graph Neural Networks [5.042342963087923]
SGNN(Signed Graph Neural Networks)は、ソースデータと典型的な集約手法による公平性問題に対処する。
本稿では,GNN から拡張された SGNN の公正性の調査を先駆的に進める。
署名されたグラフ内の次数バイアスの問題を識別し、SGNNに関する公平性問題に対する新たな視点を提供する。
論文 参考訳（メタデータ） (2024-08-16T03:22:18Z) - The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。
観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。
さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
論文 参考訳（メタデータ） (2024-06-18T12:16:00Z) - FairSample: Training Fair and Accurate Graph Convolutional Neural
Networks Efficiently [29.457338893912656]
センシティブなグループに対する社会的バイアスは多くの実世界のグラフに存在するかもしれない。
本稿では,グラフ構造バイアス,ノード属性バイアス,モデルパラメータがGCNの人口動態にどのように影響するかを詳細に分析する。
私たちの洞察は、3種類のバイアスを緩和するフレームワークであるFairSampleにつながります。
論文 参考訳（メタデータ） (2024-01-26T08:17:12Z) - The Snowflake Hypothesis: Training Deep GNN with One Node One Receptive
field [39.679151680622375]
一つのノード、一つの受容場の概念を支える新しいパラダイムである「雪の結晶仮説」を紹介します。
最も単純な勾配とノードレベルの余弦距離を、各ノードの集約深さを調節する指針として採用する。
観測結果は,我々の仮説がタスクの普遍演算子として機能できることを実証した。
論文 参考訳（メタデータ） (2023-08-19T15:21:12Z) - Towards Fair Graph Neural Networks via Graph Counterfactual [38.721295940809135]
グラフニューラルネットワーク(GNN)は、グラフ上での表現(GNN)学習の優れた能力を示し、さまざまなタスクを容易にしている。
最近の研究によると、GNNはトレーニングデータからのバイアスを継承し、増幅する傾向にあり、高いシナリオでGNNが採用されることが懸念されている。
本研究では,非現実的な反事実を避けるために,非現実的な反事実をトレーニングデータから選択できる新しいフレームワークCAFを提案する。
論文 参考訳（メタデータ） (2023-07-10T23:28:03Z) - Demystifying Structural Disparity in Graph Neural Networks: Can One Size
Fit All? [61.35457647107439]
ほとんどの実世界のホモフィルグラフとヘテロフィルグラフは、ホモフィルグラフとヘテロフィルグラフの両方の構造パターンの混合ノードから構成される。
ノード分類におけるグラフニューラルネットワーク (GNN) は, 一般にホモ親和性ノード上で良好に機能することを示す。
次に、GNNに対する厳密で非I.d PAC-Bayesian一般化を提案し、性能格差の理由を明らかにした。
論文 参考訳（メタデータ） (2023-06-02T07:46:20Z) - When Do Graph Neural Networks Help with Node Classification?
Investigating the Impact of Homophily Principle on Node Distinguishability [92.8279562472538]
ホモフィリー原理は、ノード分類タスクにおけるニューラルネットワークよりもグラフネットワーク(GNN)の性能上の優位性の主要な理由であると考えられている。
最近の研究は、ホモフィリーがなくても、同じクラスのノードが類似した近隣パターンを共有する限り、GNNの利点は依然として存在することを示唆している。
論文 参考訳（メタデータ） (2023-04-25T09:40:47Z) - On Generalized Degree Fairness in Graph Neural Networks [18.110053023118294]
Deg-FairGNN(Generalized Degree Fairness-centric Graph Neural Network)と呼ばれる新しいGNNフレームワークを提案する。
具体的には、各GNN層において、学習可能なデバイアス機能を用いて、デバイアスのコンテキストを生成する。
3つのベンチマークデータセットに対する大規模な実験は、精度と公正度の両方において、我々のモデルの有効性を示す。
論文 参考訳（メタデータ） (2023-02-08T05:00:37Z) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z) - Investigating and Mitigating Degree-Related Biases in Graph
Convolutional Networks [62.8504260693664]
グラフ畳み込みネットワーク(GCN)は、グラフ上の半教師付き学習タスクに対して有望な結果を示す。
本稿では,ノード次数分布に関するGCNを解析する。
本稿では,GCNの次数バイアスを緩和する自己監督型DegreeSpecific GCN(SL-DSGC)を開発した。
論文 参考訳（メタデータ） (2020-06-28T16:26:47Z)
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。