論文の概要: Unveiling the Impact of Local Homophily on GNN Fairness: In-Depth Analysis and New Benchmarks

• arxiv url: http://arxiv.org/abs/2410.04287v1
• Date: Sat, 5 Oct 2024 21:21:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 08:39:47.443906
• Title: Unveiling the Impact of Local Homophily on GNN Fairness: In-Depth Analysis and New Benchmarks
• Title（参考訳）: 局所ホモフィリーがGNNフェアネスに与える影響を明らかにする: 深部分析と新しいベンチマーク
• Authors: Donald Loveland, Danai Koutra,
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフがホモフィリ(サメクラスの接続)とヘテロフィリ(微分クラスの接続)の両方を示すとき、一般化に苦慮することが多い この問題は、表現不足のホモフィリーレベルが存在するユーザ中心のアプリケーションにリスクをもたらす。 グローバルなホモフィリーを超えて、ローカルなホモフィリーレベルが不公平な予測にどのように結びつくかを探求する。
• 参考スコア（独自算出の注目度）: 12.077386474432124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) often struggle to generalize when graphs exhibit both homophily (same-class connections) and heterophily (different-class connections). Specifically, GNNs tend to underperform for nodes with local homophily levels that differ significantly from the global homophily level. This issue poses a risk in user-centric applications where underrepresented homophily levels are present. Concurrently, fairness within GNNs has received substantial attention due to the potential amplification of biases via message passing. However, the connection between local homophily and fairness in GNNs remains underexplored. In this work, we move beyond global homophily and explore how local homophily levels can lead to unfair predictions. We begin by formalizing the challenge of fair predictions for underrepresented homophily levels as an out-of-distribution (OOD) problem. We then conduct a theoretical analysis that demonstrates how local homophily levels can alter predictions for differing sensitive attributes. We additionally introduce three new GNN fairness benchmarks, as well as a novel semi-synthetic graph generator, to empirically study the OOD problem. Across extensive analysis we find that two factors can promote unfairness: (a) OOD distance, and (b) heterophilous nodes situated in homophilous graphs. In cases where these two conditions are met, fairness drops by up to 24% on real world datasets, and 30% in semi-synthetic datasets. Together, our theoretical insights, empirical analysis, and algorithmic contributions unveil a previously overlooked source of unfairness rooted in the graph's homophily information.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフがホモフィリ(サメクラスの接続)とヘテロフィリ(微分クラスの接続)の両方を示すとき、一般化に苦慮することが多い。 特に、GNNは、グローバルなホモフィリーレベルと大きく異なる局所的ホモフィリーレベルを持つノードでは性能が劣る傾向にある。 この問題は、表現不足のホモフィリーレベルが存在するユーザ中心のアプリケーションにリスクをもたらす。 同時に、GNN内の公平さは、メッセージパッシングによるバイアスの増幅の可能性から、かなりの注目を集めている。 しかし、GNNにおける局所的ホモフィリーと公正性の関連性は未解明のままである。 本研究では、グローバルなホモフィリーを超えて、局所的なホモフィリーレベルが不公平な予測にどのように結びつくかを探求する。 まず、表現不足のホモフィリーレベルの公正な予測の課題を、アウト・オブ・ディストリビューション(OOD)問題として定式化することから始める。 次に、局所的ホモフィリーレベルが、異なる感度特性の予測をどのように変更できるかを示す理論的解析を行う。 さらに、3つの新しいGNNフェアネスベンチマークと、新しい半合成グラフ生成器を導入し、OOD問題を実証研究する。 広範に分析した結果、2つの要因が不公平を助長できることがわかった。 (a)OOD距離、及び (b) ホモフィルグラフに位置するヘテロフィル性ノード。 これら2つの条件を満たす場合、フェアネスは実世界のデータセットで最大24%減少し、半合成データセットで30%減少する。 理論的な洞察、経験的分析、アルゴリズム的な貢献は、グラフのホモフィリー情報に根ざした、これまで見過ごされていた不公平な情報源を明らかにする。

関連論文リスト

• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• 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)
• Heterophilous Distribution Propagation for Graph Neural Networks [23.897535976924722]
  グラフニューラルネットワークのための異種分布伝播(HDP)を提案する。 すべての近隣から情報を集約する代わりに、HDPは隣人をホモ親和性および不テロ親和性の部分に適応的に分離する。 我々は、異なるレベルのホモフィリーを持つ9つのベンチマークデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2024-05-31T06:40:56Z)
• 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)
• On Performance Discrepancies Across Local Homophily Levels in Graph Neural Networks [17.9878305101678]
  グラフニューラルネットワーク(GNN)の研究は、ノード分類における高いホモフィリーと強い予測性能の関係を強調している。 ノードの局所的ホモフィリーレベルがグローバルなホモフィリーレベルから逸脱した場合のGNNの性能について検討する。 グローバルな異種グラフ用に設計されたGNNは、局所的ホモフィリーレベルの性能を改善することにより、性能の相違を軽減することができることを示す。
  論文  参考訳（メタデータ） (2023-06-08T21:01:24Z)
• 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 Graph Neural Network Fairness in the Presence of Heterophilous Neighborhoods [12.531373572440787]
  グラフニューラルネットワーク(GNN)におけるノード分類の課題について検討する。 統計的パリティと平等機会によって測定された群フェアネスと局所的アソータティビティの関連性を確立する。 ヘテロ親和性GNNの設計を採用することにより、局所的ヘテロ親和性地区におけるグループフェアネスが、実・合成データセットにおけるホモ親和性設計よりも最大25%向上できることが示される。
  論文  参考訳（メタデータ） (2022-07-10T04:02:20Z)
• Is Homophily a Necessity for Graph Neural Networks? [50.959340355849896]
  グラフニューラルネットワーク(GNN)は、多数のグラフベースの機械学習タスクに適した学習表現において大きな進歩を見せている。 GNNはホモフィリーな仮定によりうまく機能し、異種ノードが接続する異種グラフへの一般化に失敗したと広く信じられている。 最近の研究は、このような不均一な制限を克服する新しいアーキテクチャを設計し、ベースライン性能の低さと、この概念の証拠として、いくつかの異種グラフベンチマークデータセットに対するアーキテクチャの改善を引用している。 我々の実験では、標準グラフ畳み込みネットワーク(GCN)が実際よりも優れた性能を実現できることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-11T02:44:00Z)
• Two Sides of the Same Coin: Heterophily and Oversmoothing in Graph Convolutional Neural Networks [33.25212467404069]
  理論的にはヘテロフィリーと過平滑化の関係を特徴づける。 我々は、署名メッセージと学習度補正を組み込むことで、隣人の特徴と度合いの相違に対処するモデルを設計する。 9つの実ネットワークに関する実験により,本モデルがヘテロフィリー条件下での最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-12T11:52:34Z)

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。