論文の概要: Promoting Fairness in Link Prediction with Graph Enhancement
- arxiv url: http://arxiv.org/abs/2409.08658v1
- Date: Fri, 13 Sep 2024 09:18:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 17:08:51.615331
- Title: Promoting Fairness in Link Prediction with Graph Enhancement
- Title(参考訳): グラフ強化によるリンク予測の公平性向上
- Authors: Yezi Liu, Hanning Chen, Mohsen Imani,
- Abstract要約: リンク予測はネットワーク分析において重要な課題であるが、偏りのある予測の傾向が示されている。
本研究は,予測リンク確率が接続ノードの感度特性に依存しないことを保証するためのフェアリンク予測問題について検討する。
本稿では,FairLinkを提案する。このFairLinkは,リンク予測器のトレーニング中にデバイアスを回避し,公平性向上したグラフを学習する手法である。
- 参考スコア(独自算出の注目度): 6.477859104817626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link prediction is a crucial task in network analysis, but it has been shown to be prone to biased predictions, particularly when links are unfairly predicted between nodes from different sensitive groups. In this paper, we study the fair link prediction problem, which aims to ensure that the predicted link probability is independent of the sensitive attributes of the connected nodes. Existing methods typically incorporate debiasing techniques within graph embeddings to mitigate this issue. However, training on large real-world graphs is already challenging, and adding fairness constraints can further complicate the process. To overcome this challenge, we propose FairLink, a method that learns a fairness-enhanced graph to bypass the need for debiasing during the link predictor's training. FairLink maintains link prediction accuracy by ensuring that the enhanced graph follows a training trajectory similar to that of the original input graph. Meanwhile, it enhances fairness by minimizing the absolute difference in link probabilities between node pairs within the same sensitive group and those between node pairs from different sensitive groups. Our extensive experiments on multiple large-scale graphs demonstrate that FairLink not only promotes fairness but also often achieves link prediction accuracy comparable to baseline methods. Most importantly, the enhanced graph exhibits strong generalizability across different GNN architectures.
- Abstract(参考訳): リンク予測はネットワーク分析において重要な課題であるが、特に異なるセンシティブなグループのノード間でリンクが不公平に予測される場合、バイアス付き予測に傾向があることが示されている。
本稿では,予測されたリンク確率が接続ノードの感度特性に依存しないことを保証することを目的とした,フェアリンク予測問題について検討する。
既存の手法では、この問題を緩和するために、グラフ埋め込みにデバイアス技術が組み込まれているのが一般的である。
しかし、大規模な実世界のグラフのトレーニングは、すでに困難であり、公正性の制約を加えると、さらにプロセスが複雑になる可能性がある。
この課題を解決するために,FairLinkを提案する。このFairLinkは,リンク予測器のトレーニング中にデバイアスを回避し,公平性向上したグラフを学習する手法である。
FairLinkは、拡張グラフが元の入力グラフと同様の訓練軌跡に従うことを保証することにより、リンク予測の精度を維持する。
一方、同一感度群内のノードペアと異なる感度群からのノードペア間のリンク確率の絶対差を最小化することにより、公正性を高める。
複数の大規模グラフに対する広範な実験により、FairLinkは公正性を促進できるだけでなく、ベースライン法に匹敵するリンク予測精度も達成できることが示された。
最も重要なことは、拡張グラフは異なるGNNアーキテクチャ間で強い一般化性を示すことである。
関連論文リスト
- Attribute-Enhanced Similarity Ranking for Sparse Link Prediction [6.774952925054741]
グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。
本稿では,リンク予測におけるGNNの性能が,より現実的な不均衡設定に反映されないことを示す。
実験により,類似性に基づくリンク予測手法であるGelatoが,既存のGNNベースの代替よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-11-29T21:22:35Z) - Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。
本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。
本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
論文 参考訳(メタデータ) (2024-02-18T07:49:22Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
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。
論文 参考訳(メタデータ) (2023-12-19T18:00:15Z) - Link Prediction without Graph Neural Networks [7.436429318051601]
リンク予測は多くのグラフアプリケーションにおいて基本的なタスクである。
グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。
グラフ学習による属性情報によって強化されたグラフにトポロジ中心のフレームワークを適用する新しいフレームワークであるGelatoを提案する。
論文 参考訳(メタデータ) (2023-05-23T03:59:21Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳(メタデータ) (2023-02-27T22:56:06Z) - Drop Edges and Adapt: a Fairness Enforcing Fine-tuning for Graph Neural
Networks [9.362130313618797]
リンク予測アルゴリズムは、特定の人口集団の個人間のリンクを嫌う傾向がある。
本稿では,グラフニューラルネットワークに対して,微調整戦略を用いて公平性を強制する新しい手法を提案する。
DEAの新たな特徴の1つは、微調整に離散的だが学習可能な隣接行列を使うことができることである。
論文 参考訳(メタデータ) (2023-02-22T16:28:08Z) - Deconfounded Training for Graph Neural Networks [98.06386851685645]
本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。
具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。
これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
論文 参考訳(メタデータ) (2021-12-30T15:22:35Z) - 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) - Biased Edge Dropout for Enhancing Fairness in Graph Representation
Learning [14.664485680918725]
本稿では,グラフ表現学習における公平性向上と相反するバイアスド・エッジ・ドロップアウトアルゴリズム(fairdrop)を提案する。
FairDropは、多くの既存のアルゴリズムに簡単に接続でき、効率的で適応可能で、他の公平性誘導ソリューションと組み合わせることができます。
提案手法は,すべてのモデルのフェアネスを小さく,あるいは無視可能な精度低下まで改善できることを実証する。
論文 参考訳(メタデータ) (2021-04-29T08:59:36Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z)
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。