論文の概要: Benchmarking Fairness-aware Graph Neural Networks in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2510.18473v1
• Date: Tue, 21 Oct 2025 09:51:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.341287
• Title: Benchmarking Fairness-aware Graph Neural Networks in Knowledge Graphs
• Title（参考訳）: 知識グラフにおける公平性を考慮したグラフニューラルネットワークのベンチマーク
• Authors: Yuya Sasaki,
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する強力なツールであるが、しばしばバイアス付き予測を生成する。 公正を意識したGNNはバイアス予測を緩和するために活発に研究されている。 知識グラフ上での公平性を意識したGNNの評価は,これまで行われていなかった。
• 参考スコア（独自算出の注目度）: 3.858078488714277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) are powerful tools for learning from graph-structured data but often produce biased predictions with respect to sensitive attributes. Fairness-aware GNNs have been actively studied for mitigating biased predictions. However, no prior studies have evaluated fairness-aware GNNs on knowledge graphs, which are one of the most important graphs in many applications, such as recommender systems. Therefore, we introduce a benchmarking study on knowledge graphs. We generate new graphs from three knowledge graphs, YAGO, DBpedia, and Wikidata, that are significantly larger than the existing graph datasets used in fairness studies. We benchmark inprocessing and preprocessing methods in different GNN backbones and early stopping conditions. We find several key insights: (i) knowledge graphs show different trends from existing datasets; clearer trade-offs between prediction accuracy and fairness metrics than other graphs in fairness-aware GNNs, (ii) the performance is largely affected by not only fairness-aware GNN methods but also GNN backbones and early stopping conditions, and (iii) preprocessing methods often improve fairness metrics, while inprocessing methods improve prediction accuracy.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための強力なツールであるが、しばしば機密属性に対するバイアス付き予測を生成する。 公正を意識したGNNはバイアス予測を緩和するために活発に研究されている。 しかしながら、知識グラフ上での公平性を意識したGNNの評価は、レコメンダシステムなど多くのアプリケーションにおいて最も重要なグラフの1つである。 そこで本研究では,知識グラフのベンチマーク研究を紹介する。 本研究では,3つの知識グラフ(YAGO,DBpedia,Wikidata)から新たなグラフを生成する。 我々は,異なるGNNバックボーンと早期停止条件におけるインプロセッシングおよびプリプロセッシング手法のベンチマークを行った。 いくつかの重要な洞察が得られます。 (i)知識グラフは、既存のデータセットと異なる傾向を示し、予測精度と公正度指標の間のトレードオフは、公正度を意識したGNNの他のグラフよりも明確である。 (二)その性能は、公平性を意識したGNN法のみならず、GNNバックボーンや早期停止条件にも大きく影響される。 三 前処理方法はしばしば公正度を向上し、内処理法は予測精度を向上させる。

関連論文リスト

• Fairness-Aware Graph Neural Networks: A Survey [53.41838868516936]
  グラフニューラルネットワーク(GNN)はその表現力と最先端の予測性能によってますます重要になっている。 GNNは、基礎となるグラフデータと基本的な集約メカニズムによって生じる公平性の問題に悩まされる。 本稿では,GNNの公平性向上のためのフェアネス手法の検討と分類を行う。
  論文  参考訳（メタデータ） (2023-07-08T08:09:06Z)
• Link Prediction without Graph Neural Networks [7.436429318051601]
  リンク予測は多くのグラフアプリケーションにおいて基本的なタスクである。 グラフニューラルネットワーク(GNN)がリンク予測の主要なフレームワークとなっている。 グラフ学習による属性情報によって強化されたグラフにトポロジ中心のフレームワークを適用する新しいフレームワークであるGelatoを提案する。
  論文  参考訳（メタデータ） (2023-05-23T03:59:21Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Characterizing the Efficiency of Graph Neural Network Frameworks with a Magnifying Glass [10.839902229218577]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフ関連学習タスクの成功により、大きな注目を集めている。 近年のGNNは,大規模グラフ上でのGNNのミニバッチトレーニングのために,異なるグラフサンプリング手法を用いて開発されている。 グリーンコンピューティングの観点から、フレームワークがどの程度"エコフレンドリー"であるかは不明だ。
  論文  参考訳（メタデータ） (2022-11-06T04:22:19Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)

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。