Fugu-MT 論文翻訳(概要): Toward Structure Fairness in Dynamic Graph Embedding: A Trend-aware Dual Debiasing Approach

論文の概要: Toward Structure Fairness in Dynamic Graph Embedding: A Trend-aware Dual Debiasing Approach

arxiv url: http://arxiv.org/abs/2406.13201v1
Date: Wed, 19 Jun 2024 04:20:12 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 23:19:11.913716
Title: Toward Structure Fairness in Dynamic Graph Embedding: A Trend-aware Dual Debiasing Approach
Title（参考訳）: 動的グラフ埋め込みにおける構造フェアネスに向けて:トレンドを意識したデュアルデバイアス手法
Authors: Yicong Li, Yu Yang, Jiannong Cao, Shuaiqi Liu, Haoran Tang, Guandong Xu,
Abstract要約: 本稿では,FairDGEを提案する。また,FairDGEは埋め込みの有効性と公平性を同時に向上することを示す。
参考スコア（独自算出の注目度）: 25.311057008231696
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent studies successfully learned static graph embeddings that are structurally fair by preventing the effectiveness disparity of high- and low-degree vertex groups in downstream graph mining tasks. However, achieving structure fairness in dynamic graph embedding remains an open problem. Neglecting degree changes in dynamic graphs will significantly impair embedding effectiveness without notably improving structure fairness. This is because the embedding performance of high-degree and low-to-high-degree vertices will significantly drop close to the generally poorer embedding performance of most slightly changed vertices in the long-tail part of the power-law distribution. We first identify biased structural evolutions in a dynamic graph based on the evolving trend of vertex degree and then propose FairDGE, the first structurally Fair Dynamic Graph Embedding algorithm. FairDGE learns biased structural evolutions by jointly embedding the connection changes among vertices and the long-short-term evolutionary trend of vertex degrees. Furthermore, a novel dual debiasing approach is devised to encode fair embeddings contrastively, customizing debiasing strategies for different biased structural evolutions. This innovative debiasing strategy breaks the effectiveness bottleneck of embeddings without notable fairness loss. Extensive experiments demonstrate that FairDGE achieves simultaneous improvement in the effectiveness and fairness of embeddings.
Abstract（参考訳）: 近年の研究では、下流グラフマイニングタスクにおける高次および低次頂点群の有効性の相違を防止し、構造的に公正な静的グラフ埋め込みをうまく学習している。しかし、動的グラフ埋め込みにおける構造的公正性を達成することは、未解決の問題である。動的グラフの次数変化の無視は、構造フェアネスを顕著に改善することなく、埋め込みの有効性を著しく損なう。これは,高次,低次,低次の頂点の埋め込み性能が,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,低次,高次,低次,低次,低次,低次,低次,低次な。まず、頂点次数の進化傾向に基づいて、動的グラフにおけるバイアス付き構造進化を同定し、次いで、最初の構造的に公正な動的グラフ埋め込みアルゴリズムであるFairDGEを提案する。 FairDGEは頂点間の接続変化と頂点次数の長期的進化傾向を共同で埋め込むことで、偏りのある構造的進化を学習する。さらに、異なるバイアス構造進化に対するデバイアス戦略をカスタマイズし、公正な埋め込みを対照的に符号化するために、新しい双対デバイアス法が考案された。この革新的なデバイアス戦略は、顕著な公平性を失うことなく、埋め込みの有効性のボトルネックを突破する。広汎な実験により、FairDGEは埋め込みの有効性と公正性を同時に改善することを示した。

関連論文リスト

SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
論文参考訳（メタデータ） (2024-10-21T15:47:03Z)
A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文参考訳（メタデータ） (2024-06-19T22:30:08Z)
Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。モデルはGCNを適用するために初期グラフを事前に推定する。一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文参考訳（メタデータ） (2024-02-25T07:03:37Z)
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)
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)
Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。 RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-04-20T04:12:50Z)
Coarse-to-Fine Contrastive Learning on Graphs [38.41992365090377]
ノード表現を自己管理的に学習するために、さまざまなグラフ拡張戦略が採用されている。我々は,異なるノード間の識別情報を確実に維持するために,自己評価パラダイムを導入する。各種ベンチマークデータセットの実験結果から,提案アルゴリズムの有効性を検証した。
論文参考訳（メタデータ） (2022-12-13T08:17:20Z)
Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文参考訳（メタデータ） (2022-02-05T02:31:01Z)
Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
論文参考訳（メタデータ） (2020-10-27T15:12:21Z)
Iterative Graph Self-Distillation [161.04351580382078]
我々は、IGSD(Iterative Graph Self-Distillation)と呼ばれる新しい教師なしグラフ学習パラダイムを提案する。 IGSDは、グラフ拡張による教師/学生の蒸留を反復的に行う。我々は,教師なしと半教師なしの両方の設定において,さまざまなグラフデータセットに対して,有意かつ一貫したパフォーマンス向上を実現していることを示す。
論文参考訳（メタデータ） (2020-10-23T18:37:06Z)
Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
論文参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。