論文の概要: FAROS: Fair Graph Generation via Attribute Switching Mechanisms

• arxiv url: http://arxiv.org/abs/2507.03728v1
• Date: Fri, 04 Jul 2025 17:31:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.852913
• Title: FAROS: Fair Graph Generation via Attribute Switching Mechanisms
• Title（参考訳）: FAROS:属性切り替え機構による公正グラフ生成
• Authors: Abdennacer Badaoui, Oussama Kharouiche, Hatim Mrabet, Daniele Malitesta, Fragkiskos D. Malliaros,
• Abstract要約: 既存の解は、グラフ拡散モデルをアドホック公正性制約で再訓練することでバイアスを軽減する。 属性切替機構を利用した新しいFAirグラフ遺伝子RatiOnフレームワークであるFAROSを提案する。 リンク予測のためのベンチマークデータセット実験により,提案手法が公平性を効果的に低減することを示した。
• 参考スコア（独自算出の注目度）: 4.950323257944228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in graph diffusion models (GDMs) have enabled the synthesis of realistic network structures, yet ensuring fairness in the generated data remains a critical challenge. Existing solutions attempt to mitigate bias by re-training the GDMs with ad-hoc fairness constraints. Conversely, with this work, we propose FAROS, a novel FAir graph geneRatiOn framework leveraging attribute Switching mechanisms and directly running in the generation process of the pre-trained GDM. Technically, our approach works by altering nodes' sensitive attributes during the generation. To this end, FAROS calculates the optimal fraction of switching nodes, and selects the diffusion step to perform the switch by setting tailored multi-criteria constraints to preserve the node-topology profile from the original distribution (a proxy for accuracy) while ensuring the edge independence on the sensitive attributes for the generated graph (a proxy for fairness). Our experiments on benchmark datasets for link prediction demonstrate that the proposed approach effectively reduces fairness discrepancies while maintaining comparable (or even higher) accuracy performance to other similar baselines. Noteworthy, FAROS is also able to strike a better accuracy-fairness trade-off than other competitors in some of the tested settings under the Pareto optimality concept, demonstrating the effectiveness of the imposed multi-criteria constraints.
• Abstract（参考訳）: グラフ拡散モデル(GDM)の最近の進歩により、現実的なネットワーク構造の合成が可能になったが、生成したデータの公平性を保証することは重要な課題である。 既存のソリューションは、アドホック公正性制約でGDMを再訓練することでバイアスを軽減する。 逆に本研究では,属性切替機構を活用し,事前学習したGDMの生成プロセスで直接動作する新しいFAirグラフ遺伝子RatiOnフレームワークであるFAROSを提案する。 技術的には、当社のアプローチは、生成中にノードの機密属性を変更することで機能します。 この目的のために、FAROSは、切替ノードの最適割合を算出し、設定された複数基準制約を設定して拡散ステップを選択して、ノードトポロジプロファイルを元の分布(精度のプロキシ)から保持し、生成されたグラフ(公正性のプロキシ)の感度属性に対するエッジ独立性を確保する。 リンク予測のためのベンチマークデータセットの実験により、提案手法は、他の類似のベースラインと同等(あるいはそれ以上)の精度性能を維持しながら、フェアネスの相違を効果的に低減することを示した。 注目すべきは、パレートの最適性の概念の下でテストされたいくつかの設定において、FAROSは他の競合他社よりも正確で公正なトレードオフを打つことができ、課された多重基準の制約の有効性を実証することができることである。

関連論文リスト

• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• Structural Alignment Improves Graph Test-Time Adaptation [17.564393890432193]
  グラフテスト時間適応(GTTA)のための新しいアルゴリズムであるテスト時間構造アライメント(TSA)を導入する。 TSAは、ソースデータにアクセスすることなく、推論中にグラフ構造を整列する。 合成および実世界のデータセットの実験は、TSAが非グラフTTA法と最先端GTTAベースラインの両方で一貫した性能を実証している。
  論文  参考訳（メタデータ） (2025-02-25T16:26:25Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Endowing Pre-trained Graph Models with Provable Fairness [49.8431177748876]
  証明可能な公正性を持つ事前学習グラフモデル(GraphPAR)を実現する新しいアダプタチューニングフレームワークを提案する。 具体的には、各ノードに対して異なる属性意味を持つノード表現を拡張するために、ノード表現に対するセンシティブなセマンティックオーグメンタを設計する。 GraphPARでは、各ノードの公平性が証明可能であるかどうか、すなわち、予測が特定の機密属性セマンティクスの範囲内で常に公平であるかどうかを定量化する。
  論文  参考訳（メタデータ） (2024-02-19T14:16:08Z)
• 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)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)

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。