Fugu-MT 論文翻訳(概要): Testing Individual Fairness in Graph Neural Networks

論文の概要: Testing Individual Fairness in Graph Neural Networks

arxiv url: http://arxiv.org/abs/2504.18353v1
Date: Fri, 25 Apr 2025 13:45:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.784685
Title: Testing Individual Fairness in Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークにおける個々人の公正さの検証
Authors: Roya Nasiri,
Abstract要約: このプロジェクトは、グラフニューラルネットワーク(GNN)における個人の公正性を評価し、確実にするためのテストフレームワークを開発することを目的としている。まず、個々の公平性に関する文献を体系的にレビューし、モデルバイアスを定義し、測定し、テストし、緩和するための既存のアプローチを分類する。次に、現在の公正性テストと緩和技術を適応して拡張することにより、GNNの公正性をテストするためのフレームワークを開発する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The biases in artificial intelligence (AI) models can lead to automated decision-making processes that discriminate against groups and/or individuals based on sensitive properties such as gender and race. While there are many studies on diagnosing and mitigating biases in various AI models, there is little research on individual fairness in Graph Neural Networks (GNNs). Unlike traditional models, which treat data features independently and overlook their inter-relationships, GNNs are designed to capture graph-based structure where nodes are interconnected. This relational approach enables GNNs to model complex dependencies, but it also means that biases can propagate through these connections, complicating the detection and mitigation of individual fairness violations. This PhD project aims to develop a testing framework to assess and ensure individual fairness in GNNs. It first systematically reviews the literature on individual fairness, categorizing existing approaches to define, measure, test, and mitigate model biases, creating a taxonomy of individual fairness. Next, the project will develop a framework for testing and ensuring fairness in GNNs by adapting and extending current fairness testing and mitigation techniques. The framework will be evaluated through industrial case studies, focusing on graph-based large language models.
Abstract（参考訳）: 人工知能(AI)モデルのバイアスは、性別や人種などのセンシティブな特性に基づいてグループや個人を識別する自動意思決定プロセスにつながる可能性がある。各種AIモデルにはバイアスの診断と緩和に関する多くの研究があるが、グラフニューラルネットワーク(GNN)では個々の公正性についてはほとんど研究されていない。データ機能を独立して扱い、相互関係を見落としている従来のモデルとは異なり、GNNはノードが相互接続されるグラフベースの構造をキャプチャするように設計されている。このリレーショナルアプローチにより、GNNは複雑な依存関係をモデル化できるが、それはまた、バイアスがこれらの接続を通して伝播し、個々の公正な違反の検出と緩和を複雑化することを意味する。このPhDプロジェクトは、GNNにおける個人の公正性を評価し、確実にするためのテストフレームワークを開発することを目的としている。まず、個々のフェアネスに関する文献を体系的にレビューし、モデルのバイアスを定義し、測定し、テストし、緩和するための既存のアプローチを分類し、個々のフェアネスの分類を作成します。次に、現在の公正性テストと緩和技術を適応して拡張することにより、GNNの公正性をテストするためのフレームワークを開発する。このフレームワークは,グラフベースの大規模言語モデルを中心に,産業ケーススタディを通じて評価される。

関連論文リスト

Biased Heritage: How Datasets Shape Models in Facial Expression Recognition [13.77824359359967]
画像に基づく表情認識システムにおいて,データセットから訓練されたモデルへのバイアス伝搬について検討する。本稿では,複数の階層群を有する複数クラス問題に特化して設計された新しいバイアス指標を提案する。その結果,FERデータセットの一般的な人口収支よりも,感情特異的な人口動態パターンの防止が優先されるべきであることが示唆された。
論文参考訳（メタデータ） (2025-03-05T12:25:22Z)
Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
論文参考訳（メタデータ） (2024-08-25T16:00:44Z)
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)
MAPPING: Debiasing Graph Neural Networks for Fair Node Classification with Limited Sensitive Information Leakage [1.5438758943381854]
公正ノード分類のためのモデルに依存しない新しい脱バイアスフレームワーク MAPPing を提案する。以上の結果から,MAPPingは実用性と公正性,および機密情報漏洩のプライバシーリスクとのトレードオフを良好に達成できることが示された。
論文参考訳（メタデータ） (2024-01-23T14:59:46Z)
Equipping Federated Graph Neural Networks with Structure-aware Group Fairness [9.60194163484604]
グラフニューラルネットワーク(GNN)は、様々な種類のグラフデータ処理や分析タスクに広く利用されている。 textF2$GNNはFair Federated Graph Neural Networkであり、フェデレートされたGNNのグループフェアネスを高める。
論文参考訳（メタデータ） (2023-10-18T21:51:42Z)
Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
論文参考訳（メタデータ） (2023-10-14T13:56:24Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文参考訳（メタデータ） (2022-08-10T03:41:48Z)
General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文参考訳（メタデータ） (2021-12-20T14:47:32Z)
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)
EDITS: Modeling and Mitigating Data Bias for Graph Neural Networks [29.974829042502375]
本研究では,属性ネットワークのバイアスを軽減するためのフレームワーク EDITS を開発した。 EDITSはモデルに依存しない方法で動作し、ダウンストリームタスクに適用される特定のGNNとは独立している。
論文参考訳（メタデータ） (2021-08-11T14:07:01Z)

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。