Fugu-MT 論文翻訳(概要): Disentangling, Amplifying, and Debiasing: Learning Disentangled Representations for Fair Graph Neural Networks

論文の概要: Disentangling, Amplifying, and Debiasing: Learning Disentangled Representations for Fair Graph Neural Networks

arxiv url: http://arxiv.org/abs/2408.12875v1
Date: Fri, 23 Aug 2024 07:14:56 GMT
ステータス: 処理完了
システム内更新日: 2024-08-26 15:49:48.564687
Title: Disentangling, Amplifying, and Debiasing: Learning Disentangled Representations for Fair Graph Neural Networks
Title（参考訳）: アンタングル、アンプ、デバイアス:公正なグラフニューラルネットワークのためのアンタングル表現の学習
Authors: Yeon-Chang Lee, Hojung Shin, Sang-Wook Kim,
Abstract要約: 本稿では,新しいGNNフレームワークであるDAB-GNNを提案する。 Dab-GNNは、正確性と公正性の最適バランスを達成するという点で、最先端の10のライバルを著しく上回っている。
参考スコア（独自算出の注目度）: 22.5976413484192
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph Neural Networks (GNNs) have become essential tools for graph representation learning in various domains, such as social media and healthcare. However, they often suffer from fairness issues due to inherent biases in node attributes and graph structure, leading to unfair predictions. To address these challenges, we propose a novel GNN framework, DAB-GNN, that Disentangles, Amplifies, and deBiases attribute, structure, and potential biases in the GNN mechanism. DAB-GNN employs a disentanglement and amplification module that isolates and amplifies each type of bias through specialized disentanglers, followed by a debiasing module that minimizes the distance between subgroup distributions to ensure fairness. Extensive experiments on five datasets demonstrate that DAB-GNN significantly outperforms ten state-of-the-art competitors in terms of achieving an optimal balance between accuracy and fairness.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、ソーシャルメディアやヘルスケアなど、さまざまな領域におけるグラフ表現学習に不可欠なツールとなっている。しかし、ノード属性やグラフ構造に固有のバイアスがあるため、フェアネスの問題に悩まされることがしばしばあり、不公平な予測につながる。これらの課題に対処するために,新しいGNNフレームワークであるDAB-GNNを提案する。 DAB-GNNは、各種類のバイアスを特別なアンタングルを通じて分離し増幅するアンタングルとアンパンフィケーションモジュールを使用し、続いて、サブグループ分布間の距離を最小化して公平性を確保するデバイアスモジュールを使用する。 5つのデータセットに対する大規模な実験により、DAB-GNNは精度と公正性の最適なバランスを達成するという点で、最先端の10の競合より大幅に優れていることが示されている。

関連論文リスト

Towards Fair Graph Representation Learning in Social Networks [20.823461673845756]
本稿では, 十分性, 自立性, 分離性という3つの原則に基づいて, 公正表現学習の制約を導入する。 EAGNN法がグループフェアネスを効果的に達成できることを理論的に実証する。
論文参考訳（メタデータ） (2024-10-15T10:57:02Z)
Rethinking Fair Graph Neural Networks from Re-balancing [26.70771023446706]
単純な再分散手法は、既存の公正なGNN手法と容易に一致するか、追い越すことができる。本稿では,グループバランスによるGNNの不公平さを軽減するために,再バランシングによるFairGB,Fair Graph Neural Networkを提案する。
論文参考訳（メタデータ） (2024-07-16T11:39:27Z)
DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文参考訳（メタデータ） (2024-06-04T07:24:51Z)
MAPPING: Debiasing Graph Neural Networks for Fair Node Classification with Limited Sensitive Information Leakage [1.8238848494579714]
公正ノード分類のためのモデルに依存しない新しい脱バイアスフレームワーク MAPPing を提案する。以上の結果から,MAPPingは実用性と公正性,および機密情報漏洩のプライバシーリスクとのトレードオフを良好に達成できることが示された。
論文参考訳（メタデータ） (2024-01-23T14:59:46Z)
Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文参考訳（メタデータ） (2023-09-26T13:09:43Z)
Interpreting Unfairness in Graph Neural Networks via Training Node Attribution [46.384034587689136]
本稿では,GNNの不公平さを学習ノードの影響によって解釈する新たな問題について検討する。具体的には,GNNに現れるバイアスを測定するために,確率分布分散(PDD)という新しい手法を提案する。 PDDの有効性と実世界のデータセットを用いた実験による影響評価の有効性を検証する。
論文参考訳（メタデータ） (2022-11-25T21:52:30Z)
FairNorm: Fair and Fast Graph Neural Network Training [9.492903649862761]
グラフニューラルネットワーク(GNN)は、多くのグラフベースの学習タスクの最先端を実現するために実証されている。 GNNは、訓練データ内のバイアスを継承し、さらに増幅し、特定のセンシティブなグループに対して不公平な結果をもたらす可能性があることが示されている。この研究は、GNNベースの学習におけるバイアスを低減する統一正規化フレームワークであるFairNormを提案する。
論文参考訳（メタデータ） (2022-05-20T06:10:27Z)
Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
論文参考訳（メタデータ） (2022-01-30T16:43:40Z)
Debiased Graph Neural Networks with Agnostic Label Selection Bias [59.61301255860836]
既存のグラフニューラルネットワーク(GNN)のほとんどは、データの選択バイアスを考慮せずに提案されている。本稿では,デコリレーションレギュレータを区別した新しいデバイアスドグラフニューラルネットワーク(DGNN)を提案する。 DGNNは既存のGNNを強化するフレキシブルなフレームワークである。
論文参考訳（メタデータ） (2022-01-19T16:50:29Z)
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)
Graph Classification by Mixture of Diverse Experts [67.33716357951235]
我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
論文参考訳（メタデータ） (2021-03-29T14:03:03Z)

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。