論文の概要: Towards Unbiased Federated Graph Learning: Label and Topology Perspectives
- arxiv url: http://arxiv.org/abs/2504.09963v1
- Date: Mon, 14 Apr 2025 08:00:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-15 16:53:34.242390
- Title: Towards Unbiased Federated Graph Learning: Label and Topology Perspectives
- Title（参考訳）: Unbiased Federated Graph Learningに向けて - ラベルとトポロジの観点から
- Authors: Zhengyu Wu, Boyang Pang, Xunkai Li, Yinlin Zhu, Daohan Su, Bowen Fan, Rong-Hua Li, Guoren Wang, Chenghu Zhou,
- Abstract要約: Federated Graph Learning (FGL)は、生データを共有することなく、グラフニューラルネットワークのプライバシ保護、分散トレーニングを可能にする。
グラフマイニングと協調学習によって公正性を高める新しいフレームワークであるFairFGLを提案する。
- 参考スコア（独自算出の注目度）: 30.103014192157115
- License:
- Abstract: Federated Graph Learning (FGL) enables privacy-preserving, distributed training of graph neural networks without sharing raw data. Among its approaches, subgraph-FL has become the dominant paradigm, with most work focused on improving overall node classification accuracy. However, these methods often overlook fairness due to the complexity of node features, labels, and graph structures. In particular, they perform poorly on nodes with disadvantaged properties, such as being in the minority class within subgraphs or having heterophilous connections (neighbors with dissimilar labels or misleading features). This reveals a critical issue: high accuracy can mask degraded performance on structurally or semantically marginalized nodes. To address this, we advocate for two fairness goals: (1) improving representation of minority class nodes for class-wise fairness and (2) mitigating topological bias from heterophilous connections for topology-aware fairness. We propose FairFGL, a novel framework that enhances fairness through fine-grained graph mining and collaborative learning. On the client side, the History-Preserving Module prevents overfitting to dominant local classes, while the Majority Alignment Module refines representations of heterophilous majority-class nodes. The Gradient Modification Module transfers minority-class knowledge from structurally favorable clients to improve fairness. On the server side, FairFGL uploads only the most influenced subset of parameters to reduce communication costs and better reflect local distributions. A cluster-based aggregation strategy reconciles conflicting updates and curbs global majority dominance . Extensive evaluations on eight benchmarks show FairFGL significantly improves minority-group performance , achieving up to a 22.62 percent Macro-F1 gain while enhancing convergence over state-of-the-art baselines.
- Abstract（参考訳）: Federated Graph Learning (FGL)は、生データを共有することなく、グラフニューラルネットワークのプライバシ保護、分散トレーニングを可能にする。
そのアプローチの中で、サブグラフFLが支配的なパラダイムとなり、ほとんどの研究はノードの分類精度の向上に重点を置いている。
しかし、これらの手法はノードの特徴、ラベル、グラフ構造の複雑さのために、しばしば公正さを見落としている。
特に、サブグラフ内のマイノリティクラスや異種接続(異種ラベルや誤解を招く特徴の隣)など、不利な特性を持つノードでは、パフォーマンスが良くない。
高い精度は、構造的にまたはセマンティックにマージされたノードで劣化したパフォーマンスを隠蔽することができる。
これを解決するために,(1)クラスワイドフェアネスに対するマイノリティクラスノードの表現の改善,(2)トポロジを意識したフェアネスのための異種接続からのトポロジ的バイアス軽減という2つのフェアネス目標を提唱する。
グラフマイニングと協調学習によって公正性を高める新しいフレームワークであるFairFGLを提案する。
クライアント側では、History-Preserving Moduleは支配的なローカルクラスへの過度な適合を防ぎ、Majority Alignment Moduleは異種多数クラスのノードの表現を洗練します。
Gradient Modification Moduleは、構造的に有利なクライアントからマイノリティークラスの知識を転送し、公正性を改善する。
サーバ側では、FairFGLは最も影響の大きいパラメータのみをアップロードし、通信コストを削減し、ローカル分布をよりよく反映する。
クラスタベースのアグリゲーション戦略は、競合する更新を調整し、世界的な多数派支配を抑制する。
8つのベンチマークの大規模な評価では、FairFGLはマイノリティグループのパフォーマンスを著しく改善し、最先端のベースラインの収束性を高めながら22.62パーセントのマクロF1ゲインを達成している。
関連論文リスト
- Federated Graph Learning with Structure Proxy Alignment [43.13100155569234]
Federated Graph Learning (FGL)は、複数のデータ所有者に分散されたグラフデータよりもグラフ学習モデルを学習することを目的としている。
我々はFedSprayを提案する。FedSprayは、潜伏空間における局所的なクラスワイド構造プロキシを学習する新しいFGLフレームワークである。
我々のゴールは、ノード分類のための信頼性が高く、偏りのない隣り合う情報として機能する、整列構造プロキシを得ることです。
論文 参考訳（メタデータ） (2024-08-18T07:32:54Z) - 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) - Federated Graph Semantic and Structural Learning [54.97668931176513]
本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。
構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。
我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
論文 参考訳（メタデータ） (2024-06-27T07:08:28Z) - 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) - 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) - Marginal Nodes Matter: Towards Structure Fairness in Graphs [77.25149739933596]
構造フェアネスを実現するために,textbfStructural textbfFair textbfGraph textbfNeural textbfNetwork (SFairGNN)を提案する。
実験の結果、SFairGNNは、下流タスクにおける全体的な性能を維持しながら、構造フェアネスを大幅に改善できることがわかった。
論文 参考訳（メタデータ） (2023-10-23T03:20:32Z) - Graph Learning with Localized Neighborhood Fairness [32.301270877134]
近所のフェアネスの概念を導入し、そのような局所的なフェア埋め込みを学習するための計算フレームワークを開発する。
本稿では,フェアリンク予測,リンク分類,学習フェアグラフ埋め込みなど,さまざまなグラフ機械学習タスクに対して提案手法の有効性を示す。
論文 参考訳（メタデータ） (2022-12-22T21:20:43Z) - 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) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - Tackling the Local Bias in Federated Graph Learning [48.887310972708036]
フェデレーショングラフ学習(FGL)では、グローバルグラフは異なるクライアントに分散し、各クライアントがサブグラフを保持する。
既存のFGL手法では、クロスクライアントエッジを効果的に活用できず、トレーニング中に構造情報が失われる。
集中型環境で訓練されたモデルと類似した局所モデルを作成するための新しいFGLフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-22T08:22:36Z)
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。