論文の概要: SaGIF: Improving Individual Fairness in Graph Neural Networks via Similarity Encoding

• arxiv url: http://arxiv.org/abs/2506.18696v1
• Date: Mon, 23 Jun 2025 14:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:37.027037
• Title: SaGIF: Improving Individual Fairness in Graph Neural Networks via Similarity Encoding
• Title（参考訳）: SaGIF:類似性符号化によるグラフニューラルネットワークの個性向上
• Authors: Yuchang Zhu, Jintang Li, Huizhe Zhang, Liang Chen, Zibin Zheng,
• Abstract要約: グラフニューラルネットワーク(GNN)における個人公正(IF)は、類似した個人が同様の結果を受け取る必要性を強調している。 そこで我々は,Simisity-Aware GNNs for individual Fairness, named SaGIFを提案する。 SaGIFは、実用性能を維持しながら、最先端のIFメソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 30.427844361335804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individual fairness (IF) in graph neural networks (GNNs), which emphasizes the need for similar individuals should receive similar outcomes from GNNs, has been a critical issue. Despite its importance, research in this area has been largely unexplored in terms of (1) a clear understanding of what induces individual unfairness in GNNs and (2) a comprehensive consideration of identifying similar individuals. To bridge these gaps, we conduct a preliminary analysis to explore the underlying reason for individual unfairness and observe correlations between IF and similarity consistency, a concept introduced to evaluate the discrepancy in identifying similar individuals based on graph structure versus node features. Inspired by our observations, we introduce two metrics to assess individual similarity from two distinct perspectives: topology fusion and feature fusion. Building upon these metrics, we propose Similarity-aware GNNs for Individual Fairness, named SaGIF. The key insight behind SaGIF is the integration of individual similarities by independently learning similarity representations, leading to an improvement of IF in GNNs. Our experiments on several real-world datasets validate the effectiveness of our proposed metrics and SaGIF. Specifically, SaGIF consistently outperforms state-of-the-art IF methods while maintaining utility performance. Code is available at: https://github.com/ZzoomD/SaGIF.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)における個人公正(IF)は、類似した個人がGNNから同様の結果を受け取ることの必要性を強調するものであり、重要な問題である。 その重要性にもかかわらず、この領域の研究は、(1)GNNにおける個人の不公平を誘発する要因を明確に理解し、(2)類似した個人を特定するための包括的考察という観点からは、ほとんど解明されていない。 これらのギャップを埋めるために、我々は、個々の不公平性の根本原因を探究し、IFと類似性一貫性の相関を観察するために予備的な分析を行い、グラフ構造とノード特徴とに基づいて類似した個人を識別する際の相違性を評価するために導入された概念である。 本研究では, トポロジ融合と特徴融合という2つの異なる視点から, 個人間の類似性を評価するための2つの指標を紹介した。 これらの指標に基づき,Simisity-Aware GNNs for individual Fairness, named SaGIFを提案する。 SaGIFの背後にある重要な洞察は、個別に類似性表現を学習することで個々の類似性の統合であり、GNNにおけるIFの改善につながっている。 いくつかの実世界のデータセットに対する実験により,提案手法とSaGIFの有効性が検証された。 特に、SaGIFは、実用性能を維持しながら、最先端のIFメソッドを一貫して上回っている。 コードは、https://github.com/ZzoomD/SaGIF.comで入手できる。

関連論文リスト

• Enhancing Federated Graph Learning via Adaptive Fusion of Structural and Node Characteristics [26.619187557486708]
  Federated Graph Learning (FGL)は、分散クライアント間でグローバルグラフニューラルネットワーク(GNN)モデルをトレーニングするメリットを実証した。 本稿では,FedGCFという新しいFGLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-25T09:20:06Z)
• Towards Fair Graph Representation Learning in Social Networks [20.823461673845756]
  本稿では, 十分性, 自立性, 分離性という3つの原則に基づいて, 公正表現学習の制約を導入する。 EAGNN法がグループフェアネスを効果的に達成できることを理論的に実証する。
  論文  参考訳（メタデータ） (2024-10-15T10:57:02Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• 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)
• LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity [59.41119013018377]
  本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。 そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。 提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
  論文  参考訳（メタデータ） (2023-05-07T09:06:11Z)
• Individual Fairness in Bayesian Neural Networks [9.386341375741225]
  ベイズニューラルネットワーク(BNN)における個人公正性(IF)について検討する。 我々は、入力空間上の統計的サンプリングと、逆数と個人フェアネスの関係に関するバウンダリを用いて、$epsilon$-$delta$-IFのロバストネス推定のためのフレームワークを導出する。 近似ベイズ推定により訓練されたBNNは、決定論的推定よりも明らかに個々に公平である傾向にある。
  論文  参考訳（メタデータ） (2023-04-21T09:12:14Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• End-to-End Context-Aided Unicity Matching for Person Re-identification [100.02321122258638]
  本稿では,人間同士の一致関係を学習・精査するための,エンドツーエンドの対人一意整合アーキテクチャを提案する。 サンプルのグローバルコンテキスト関係を用いて,ソフトマッチング結果を洗練し,両部グラフマッチングにより一致ユニシティに到達する。 実世界における人物再識別の応用を十分に考慮し, ワンショットとマルチショットの双方で一様マッチングを実現する。
  論文  参考訳（メタデータ） (2022-10-20T07:33:57Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)

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。