論文の概要: Recovering Fairness Directly from Modularity: a New Way for Fair Community Partitioning

• arxiv url: http://arxiv.org/abs/2505.22684v1
• Date: Tue, 27 May 2025 09:44:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.435872
• Title: Recovering Fairness Directly from Modularity: a New Way for Fair Community Partitioning
• Title（参考訳）: モジュール性から直接フェアネスを回復する - 公平なコミュニティ分割のための新しい方法
• Authors: Yufeng Wang, Yiguang Bai, Tianqing Zhu, Ismail Ben Ayed, Jing Yuan,
• Abstract要約: 保護されたグループネットワークを導入し、新しい公平度・モジュラリティ指標を提案する。 最小化は、理論的健全性を保ちながら、保護群に対して自然に公平な分配をもたらすことを証明している。 実験により、FairFNは最先端の手法と比較して、フェアネスと高品質なパーティションを著しく改善した。
• 参考スコア（独自算出の注目度）: 19.8948843032358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Community partitioning is crucial in network analysis, with modularity optimization being the prevailing technique. However, traditional modularity-based methods often overlook fairness, a critical aspect in real-world applications. To address this, we introduce protected group networks and propose a novel fairness-modularity metric. This metric extends traditional modularity by explicitly incorporating fairness, and we prove that minimizing it yields naturally fair partitions for protected groups while maintaining theoretical soundness. We develop a general optimization framework for fairness partitioning and design the efficient Fair Fast Newman (FairFN) algorithm, enhancing the Fast Newman (FN) method to optimize both modularity and fairness. Experiments show FairFN achieves significantly improved fairness and high-quality partitions compared to state-of-the-art methods, especially on unbalanced datasets.
• Abstract（参考訳）: ネットワーク分析ではコミュニティのパーティショニングが重要であり、モジュラリティの最適化が主流である。 しかし、従来のモジュラリティベースの手法は、現実のアプリケーションにおいて重要な側面である公平さを無視することが多い。 これを解決するために,保護されたグループネットワークを導入し,新しい公平度・モジュラリティ指標を提案する。 この計量は、明らかに公正さを取り入れることで伝統的なモジュラリティを拡張し、その最小化は、理論的健全性を維持しながら、保護群に対して自然に公平な分割をもたらすことを証明している。 フェアネス分割のための汎用最適化フレームワークを開発し,FairFN(Fair Fast Newman)アルゴリズムを設計し,Fast Newman(FN)法を拡張してモジュラリティとフェアネスの両方を最適化する。 実験によると、FairFNは最先端の手法、特にバランスの取れていないデータセットと比較して、フェアネスと高品質なパーティションを著しく改善した。

関連論文リスト

• Bridging Jensen Gap for Max-Min Group Fairness Optimization in Recommendation [63.66719748453878]
  グループ・マックスミン・フェアネス(MMF)は、最適化の目的として、フェアネス・アウェア・レコメンダシステム(RS)で一般的に使用される。 本稿では,Jensenギャップを最小化するために2つの最適化手法を利用するFairDualというアルゴリズムを提案する。 理論的解析により、FairDualは、大域的最適解に対するサブ線形収束率を達成できることが示されている。
  論文  参考訳（メタデータ） (2025-02-13T13:33:45Z)
• Federated Learning with Relative Fairness [6.460475042590685]
  本稿では,クライアントのテキストの公平性を実現するための,連合学習フレームワークを提案する。 提案フレームワークは,分散ロバスト最適化(DRO)における従来の手法を拡張し,相対不公平性を最小化するミニマックス問題手法を用いる。 クライアント間の大きな損失と小さな損失の比率に基づいて、新しい公正度指数を導入し、トレーニングされたモデルの相対的公正性を評価し改善する。
  論文  参考訳（メタデータ） (2024-11-02T07:12:49Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Fairness-aware Federated Minimax Optimization with Convergence Guarantee [10.727328530242461]
  フェデレートラーニング(FL)はそのプライバシー保護機能のためにかなりの注目を集めている。 ユーザデータ管理の自由の欠如は、モデルが人種や性別などのセンシティブな要因に偏っている、グループフェアネスの問題につながる可能性がある。 本稿では,FLにおけるグループフェアネス問題に明示的に対処するために,拡張ラグランジアン法(FFALM)を用いたフェアフェデレーション平均化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-10T08:45:58Z)
• Towards More Suitable Personalization in Federated Learning via Decentralized Partial Model Training [67.67045085186797]
  既存のシステムのほとんどは、中央のFLサーバが失敗した場合、大きな通信負荷に直面しなければならない。 共有パラメータと個人パラメータを交互に更新することで、ディープモデルの「右」をパーソナライズする。 共有パラメータアグリゲーションプロセスをさらに促進するために、ローカルシャープネス最小化を統合するDFedを提案する。
  論文  参考訳（メタデータ） (2023-05-24T13:52:18Z)
• Scalable Optimal Margin Distribution Machine [50.281535710689795]
  ODM(Optimal margin Distribution Machine)は、新しいマージン理論に根ざした新しい統計学習フレームワークである。 本稿では,従来のODMトレーニング手法に比べて10倍近い高速化を実現するスケーラブルなODMを提案する。
  論文  参考訳（メタデータ） (2023-05-08T16:34:04Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Entropy-driven Fair and Effective Federated Learning [26.22014904183881]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散デバイス間で協調的なモデルトレーニングを可能にする。 本稿では,理論に基づくアグリゲーションとモデルと勾配アライメントを組み合わせることで,モデル性能と大域的モデル性能を同時に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-29T10:02:42Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)

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。