論文の概要: Fairness and/or Privacy on Social Graphs

• arxiv url: http://arxiv.org/abs/2503.02114v1
• Date: Mon, 03 Mar 2025 22:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:24:58.711824
• Title: Fairness and/or Privacy on Social Graphs
• Title（参考訳）: ソーシャルグラフの公平性とプライバシ
• Authors: Bartlomiej Surma, Michael Backes, Yang Zhang,
• Abstract要約: グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。 近年の研究では、GNNの公平性やプライバシーの問題が懸念されている。
• 参考スコア（独自算出の注目度）: 22.617029702304016
• License:
• Abstract: Graph Neural Networks (GNNs) have shown remarkable success in various graph-based learning tasks. However, recent studies have raised concerns about fairness and privacy issues in GNNs, highlighting the potential for biased or discriminatory outcomes and the vulnerability of sensitive information. This paper presents a comprehensive investigation of fairness and privacy in GNNs, exploring the impact of various fairness-preserving measures on model performance. We conduct experiments across diverse datasets and evaluate the effectiveness of different fairness interventions. Our analysis considers the trade-offs between fairness, privacy, and accuracy, providing insights into the challenges and opportunities in achieving both fair and private graph learning. The results highlight the importance of carefully selecting and combining fairness-preserving measures based on the specific characteristics of the data and the desired fairness objectives. This study contributes to a deeper understanding of the complex interplay between fairness, privacy, and accuracy in GNNs, paving the way for the development of more robust and ethical graph learning models.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。 しかし、近年の研究では、GNNの公平性やプライバシーの問題に対する懸念が高まり、偏見や差別的な結果の可能性を浮き彫りにし、機密情報の脆弱性を浮き彫りにしている。 本稿では,GNNにおけるフェアネスとプライバシに関する包括的調査を行い,モデル性能に対する様々なフェアネス保存対策の影響について検討する。 多様なデータセットをまたいだ実験を行い、様々な公正な介入の有効性を評価する。 我々の分析では、公正性、プライバシ、正確性の間のトレードオフを考察し、公正なグラフ学習とプライベートなグラフ学習の両方を達成する上での課題と機会に関する洞察を提供する。 その結果、データの特徴と所望の公正度目標に基づいて、公正度保存措置を慎重に選択、組み合わせることの重要性を強調した。 本研究は,GNNにおける公平性,プライバシ,精度の複雑な相互作用を深く理解し,より堅牢で倫理的なグラフ学習モデルの開発に寄与する。

関連論文リスト

• One Fits All: Learning Fair Graph Neural Networks for Various Sensitive Attributes [40.57757706386367]
  不変学習,すなわちFairINVに基づくグラフフェアネスフレームワークを提案する。 FairINVはセンシティブな属性分割を取り入れ、ラベルと各種のセンシティブな属性の間の急激な相関を排除し、公正なGNNを訓練する。 いくつかの実世界のデータセットの実験結果から、FairINVは最先端のフェアネスアプローチを著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-06-19T13:30:17Z)
• Holistic Survey of Privacy and Fairness in Machine Learning [10.399352534861292]
  プライバシと公正性は、責任ある人工知能(AI)と信頼できる機械学習(ML)の重要な柱である かなりの関心があるにもかかわらず、これらの2つの目的がMLモデルにどのように同時に統合できるかを解明するために、より詳細な研究が必要である。 我々は、教師なし、教師なし、半教師なし、強化学習を含む、MLにおけるプライバシーと公正性の徹底的なレビューを提供する。
  論文  参考訳（メタデータ） (2023-07-28T23:39:29Z)
• Fairness-Aware Graph Neural Networks: A Survey [53.41838868516936]
  グラフニューラルネットワーク(GNN)はその表現力と最先端の予測性能によってますます重要になっている。 GNNは、基礎となるグラフデータと基本的な集約メカニズムによって生じる公平性の問題に悩まされる。 本稿では,GNNの公平性向上のためのフェアネス手法の検討と分類を行う。
  論文  参考訳（メタデータ） (2023-07-08T08:09:06Z)
• Unraveling Privacy Risks of Individual Fairness in Graph Neural Networks [66.0143583366533]
  グラフニューラルネットワーク(GNN)は、その拡張現実の応用により、大きな注目を集めている。 信頼できるGNNを構築するためには、公平性とプライバシという2つの側面が重要な考慮事項として浮上している。 これまでの研究では、GNNの公平性とプライバシの側面を別々に検討し、GNNのパフォーマンスとのトレードオフを明らかにしている。 しかし、この2つの側面の相互作用は未解明のままである。
  論文  参考訳（メタデータ） (2023-01-30T14:52:23Z)
• Privacy-preserving Graph Analytics: Secure Generation and Federated Learning [72.90158604032194]
  我々は、リッチな属性と関係を表現する重要な能力を提供するグラフデータのプライバシー保護分析に焦点を当てる。 本稿では,プライバシ保護グラフ生成とフェデレーショングラフ学習という2つの方向性について論じる。
  論文  参考訳（メタデータ） (2022-06-30T18:26:57Z)
• A Survey of Trustworthy Graph Learning: Reliability, Explainability, and Privacy Protection [136.71290968343826]
  信頼できるグラフ学習(TwGL)は、技術的観点から上記の問題を解決することを目的としている。 モデル性能を主に重視する従来のグラフ学習研究とは対照的に、TwGLは様々な信頼性と安全性を考慮に入れている。
  論文  参考訳（メタデータ） (2022-05-20T08:10:35Z)
• SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
  本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。 提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
  論文  参考訳（メタデータ） (2022-04-11T14:42:54Z)
• Differentially Private and Fair Deep Learning: A Lagrangian Dual Approach [54.32266555843765]
  本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。 この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
  論文  参考訳（メタデータ） (2020-09-26T10:50:33Z)

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。