論文の概要: A Deep Latent Factor Graph Clustering with Fairness-Utility Trade-off Perspective

• arxiv url: http://arxiv.org/abs/2510.23507v1
• Date: Mon, 27 Oct 2025 16:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.624045
• Title: A Deep Latent Factor Graph Clustering with Fairness-Utility Trade-off Perspective
• Title（参考訳）: フェアネス・ユーティリティ・トレードオフを考慮した深層係数グラフクラスタリング
• Authors: Siamak Ghodsi, Amjad Seyedi, Tai Le Quy, Fariba Karimi, Eirini Ntoutsi,
• Abstract要約: グラフに合わせたエンドツーエンドの非負の3要素化であるemphDFNMFを紹介する。 1つのパラメータ$lambda$はフェアネス-ユーティリティバランスを調整しますが、非負性はパーツベースの要素と透明なソフトメンバシップを生成します。 合成および実ネットワーク全体で、DFNMFは、同等のモジュラリティでグループバランスを大幅に高める。
• 参考スコア（独自算出の注目度）: 0.7568373895297608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fair graph clustering seeks partitions that respect network structure while maintaining proportional representation across sensitive groups, with applications spanning community detection, team formation, resource allocation, and social network analysis. Many existing approaches enforce rigid constraints or rely on multi-stage pipelines (e.g., spectral embedding followed by $k$-means), limiting trade-off control, interpretability, and scalability. We introduce \emph{DFNMF}, an end-to-end deep nonnegative tri-factorization tailored to graphs that directly optimizes cluster assignments with a soft statistical-parity regularizer. A single parameter $\lambda$ tunes the fairness--utility balance, while nonnegativity yields parts-based factors and transparent soft memberships. The optimization uses sparse-friendly alternating updates and scales near-linearly with the number of edges. Across synthetic and real networks, DFNMF achieves substantially higher group balance at comparable modularity, often dominating state-of-the-art baselines on the Pareto front. The code is available at https://github.com/SiamakGhodsi/DFNMF.git.
• Abstract（参考訳）: 公平なグラフクラスタリングは、コミュニティ検出、チーム形成、リソース割り当て、ソーシャルネットワーク分析など、センシティブなグループ間の比例表現を維持しながら、ネットワーク構造を尊重するパーティションを求める。 既存の多くのアプローチでは、厳格な制約やマルチステージパイプライン(例えば、スペクトル埋め込みと$k$-means)に依存しているため、トレードオフ制御、解釈可能性、スケーラビリティが制限されている。 本稿では, クラスタ割り当てをソフトな統計パリティ正規化器で直接最適化するグラフに適した, エンドツーエンドの非負三要素化である \emph{DFNMF} を紹介する。 1つのパラメータ$\lambda$はフェアネス-ユーティリティバランスを調整し、非負性は部品ベースの要素と透明なソフトメンバシップを生成する。 この最適化は疎結合な更新を使い、エッジの数とほぼ直線的にスケールする。 合成ネットワークと実ネットワーク全体で、DFNMFは同等のモジュラリティでグループバランスを大幅に高め、パレートの最先端のベースラインを独占することが多い。 コードはhttps://github.com/SiamakGhodsi/DFNMF.gitで公開されている。

関連論文リスト

• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Towards Unbiased Federated Graph Learning: Label and Topology Perspectives [30.103014192157115]
  Federated Graph Learning (FGL)は、生データを共有することなく、グラフニューラルネットワークのプライバシ保護、分散トレーニングを可能にする。 グラフマイニングと協調学習によって公正性を高める新しいフレームワークであるFairFGLを提案する。
  論文  参考訳（メタデータ） (2025-04-14T08:00:20Z)
• Sharper Error Bounds in Late Fusion Multi-view Clustering Using Eigenvalue Proportion [19.46433323866636]
  マルチビュークラスタリング(MVC)は、クラスタリング性能を向上させるために、複数のビューから補完的な情報を統合することを目的としている。 本稿では,複数カーネル$k$-meansの一般化誤差境界を解析するための新しい理論的枠組みを提案する。 雑音と冗長性を軽減するために,複数線形$k$-meansフレームワーク内の低域グラフフィルタリング方式を提案する。
  論文  参考訳（メタデータ） (2024-12-24T06:24:08Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• AttenScribble: Attentive Similarity Learning for Scribble-Supervised Medical Image Segmentation [5.8447004333496855]
  本稿では,単純かつ効果的なスクリブル教師あり学習フレームワークを提案する。 我々は、任意の完全畳み込みネットワーク(FCN)バックボーンの内部特徴層の上に、接続可能な空間自己アテンションモジュールを作成する。 この注意深い類似性は、セグメンテーション予測と視覚親和性の一貫性を課する新たな正規化損失をもたらす。
  論文  参考訳（メタデータ） (2023-12-11T18:42:18Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Graph Neural Network Surrogates of Fair Graph Filtering [13.854091527965297]
  後続目的に対するフィルタ対応ユニバーサル近似フレームワークを提案する。 これにより、実行時にトレーニングされた適切なグラフニューラルネットワークが、フィルタと同じようなものになる。 私たちは、パリティ制約を満たす際の代替手段よりも、我々のアプローチが等しく良いか、あるいは優れていることを示しています。
  論文  参考訳（メタデータ） (2023-03-14T18:14:40Z)
• Crowd Counting via Perspective-Guided Fractional-Dilation Convolution [75.36662947203192]
  本稿では,PFDNetと呼ばれる新しい畳み込みニューラルネットワークを用いた群集カウント手法を提案する。 連続スケールの変動をモデル化することにより、提案したPFDNetは、異なる空間位置に対応するための適切な分数拡張カーネルを選択することができる。 これは、個々の代表スケールのみを考慮した最先端技術の柔軟性を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-08T07:57:00Z)

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。