論文の概要: FairACE: Achieving Degree Fairness in Graph Neural Networks via Contrastive and Adversarial Group-Balanced Training

• arxiv url: http://arxiv.org/abs/2504.09210v1
• Date: Sat, 12 Apr 2025 13:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:56:06.490204
• Title: FairACE: Achieving Degree Fairness in Graph Neural Networks via Contrastive and Adversarial Group-Balanced Training
• Title（参考訳）: FairACE: コントラストと対向型グループベーストレーニングによるグラフニューラルネットワークのデグレーフェアネスの実現
• Authors: Jiaxin Liu, Xiaoqian Jiang, Cangqi Zhou, Jing Zhang,
• Abstract要約: 本稿では,Fairness-Aware Asymmetric Contrastive Ensemble (FairACE)と呼ばれる新しいGNNフレームワークを提案する。 また、異なる次数ベースのノード群間での等価性能を定量的に評価し、保証する新しい公正度尺度である、精度分布ギャップ(ADG)を提案する。
• 参考スコア（独自算出の注目度）: 17.588745166215997
• License:
• Abstract: Fairness has been a significant challenge in graph neural networks (GNNs) since degree biases often result in un-equal prediction performance among nodes with varying degrees. Existing GNN models focus on prediction accuracy, frequently overlooking fairness across different degree groups. To addressthis issue, we propose a novel GNN framework, namely Fairness- Aware Asymmetric Contrastive Ensemble (FairACE), which inte-grates asymmetric contrastive learning with adversarial training to improve degree fairness. FairACE captures one-hop local neighborhood information and two-hop monophily similarity to create fairer node representations and employs a degree fairness regulator to balance performance between high-degree and low-degree nodes. During model training, a novel group-balanced fairness loss is proposed to minimize classification disparities across degree groups. In addition, we also propose a novel fairness metric, the Accuracy Distribution Gap (ADG), which can quantitatively assess and ensure equitable performance across different degree-based node groups. Experimental results on both synthetic and real-world datasets demonstrate that FairACE significantly improves degree fairness metrics while maintaining competitive accuracy in comparison to the state-of-the-art GNN models.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)では、次数バイアスが様々な次数を持つノード間で等しくない予測性能をもたらすことがしばしばあるため、公平性は重要な課題である。 既存のGNNモデルは予測精度に重点を置いており、しばしば異なる次数群にわたる公平さを見下ろしている。 本研究では,FairACE(Fairness-Aware Asymmetric Contrastive Ensemble)と呼ばれる新しいGNNフレームワークを提案する。 FairACEは1ホップの地域情報と2ホップのモノフィリーな類似性を捉えて、より公平なノード表現を作成し、高次ノードと低次ノードのパフォーマンスのバランスをとるために度合い調整器を使用している。 モデルトレーニング中、次数群間の分類格差を最小限に抑えるために、新しいグループバランスのフェアネス損失を提案する。 さらに、異なる次数ベースのノード群間での等価性能を定量的に評価し、確保することのできる、新しい公正度指標である精度分布ギャップ(ADG)も提案する。 合成と実世界の両方のデータセットに対する実験結果から、FairACEは最先端のGNNモデルと比較して、競争精度を維持しながら、度合いの公平度を著しく向上することが示された。

関連論文リスト

• 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)
• Fairness-Aware Meta-Learning via Nash Bargaining [63.44846095241147]
  本稿では,機械学習におけるグループレベルの公平性の問題に対処する2段階のメタ学習フレームワークを提案する。 第1段階では、過度な競合を解決するためにNash Bargaining Solution(NBS)を使用して、モデルをステアリングする。 6つのキーフェアネスデータセットと2つの画像分類タスクにおいて、様々なフェアネス目標に対して経験的効果を示す。
  論文  参考訳（メタデータ） (2024-06-11T07:34:15Z)
• Fair Graph Neural Network with Supervised Contrastive Regularization [12.666235467177131]
  公平性を考慮したグラフニューラルネットワーク(GNN)の学習モデルを提案する。 提案手法は, コントラスト損失と環境損失を統合し, 精度と公正性を両立させる。
  論文  参考訳（メタデータ） (2024-04-09T07:49:05Z)
• 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)
• 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)
• GFairHint: Improving Individual Fairness for Graph Neural Networks via Fairness Hint [28.70963753478329]
  グラフニューラルネットワーク(GNN)のアルゴリズムフェアネスは注目されている。 本稿では,GNNにおける個々人の公平性を促進する新しい手法GFairHintを提案する。 GFairHintは、データセットとさまざまなバックボーンモデルの組み合わせで、最も公正な結果を達成する。
  論文  参考訳（メタデータ） (2023-05-25T00:03:22Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
  グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。 GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。 我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
  論文  参考訳（メタデータ） (2022-10-06T15:58:25Z)
• Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
  グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。 我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。 本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
  論文  参考訳（メタデータ） (2022-09-08T16:20:25Z)
• 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)

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。