論文の概要: FairGE: Fairness-Aware Graph Encoding in Incomplete Social Networks

• arxiv url: http://arxiv.org/abs/2601.09394v2
• Date: Sun, 18 Jan 2026 10:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 14:05:45.099902
• Title: FairGE: Fairness-Aware Graph Encoding in Incomplete Social Networks
• Title（参考訳）: FairGE:不完全なソーシャルネットワークにおけるフェアネスを意識したグラフエンコーディング
• Authors: Renqiang Luo, Huafei Huang, Tao Tang, Jing Ren, Ziqi Xu, Mingliang Hou, Enyan Dai, Feng Xia,
• Abstract要約: FairGE (Fair Graph) は、不完全なソーシャルネットワークにおけるGTのためのフェアネス対応フレームワークである。 これはスペクトルグラフ理論を通じて直接公正性を符号化する。 これは、最先端のベースラインと比較して、統計的平等と機会の平等の両方において少なくとも16%改善されている。
• 参考スコア（独自算出の注目度）: 21.123569802490724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Transformers (GTs) are increasingly applied to social network analysis, yet their deployment is often constrained by fairness concerns. This issue is particularly critical in incomplete social networks, where sensitive attributes are frequently missing due to privacy and ethical restrictions. Existing solutions commonly generate these incomplete attributes, which may introduce additional biases and further compromise user privacy. To address this challenge, FairGE (Fair Graph Encoding) is introduced as a fairness-aware framework for GTs in incomplete social networks. Instead of generating sensitive attributes, FairGE encodes fairness directly through spectral graph theory. By leveraging the principal eigenvector to represent structural information and padding incomplete sensitive attributes with zeros to maintain independence, FairGE ensures fairness without data reconstruction. Theoretical analysis demonstrates that the method suppresses the influence of non-principal spectral components, thereby enhancing fairness. Extensive experiments on seven real-world social network datasets confirm that FairGE achieves at least a 16% improvement in both statistical parity and equality of opportunity compared with state-of-the-art baselines. The source code is shown in https://github.com/LuoRenqiang/FairGE.
• Abstract（参考訳）: グラフトランスフォーマー(GT)は、ソーシャルネットワークの分析にますます適用されてきているが、そのデプロイメントは公平性の懸念によって制約されることが多い。 この問題は、プライバシーと倫理的制約のために機密性の高い属性がしばしば欠落している不完全なソーシャルネットワークにおいて特に重要である。 既存のソリューションは一般的にこれらの不完全な属性を生成し、さらなるバイアスを発生させ、ユーザのプライバシーを損なう可能性がある。 この課題に対処するため、不完全なソーシャルネットワークにおいて、FairGE (Fair Graph Encoding) は、GTのためのフェアネス対応フレームワークとして紹介されている。 センシティブな属性を生成する代わりに、FairGEはスペクトルグラフ理論を通じて直接フェアネスを符号化する。 主固有ベクトルを利用して構造情報を表現し、独立性を維持するためにゼロで不完全な機密属性をパディングすることで、データ再構成なしで公正性を確保する。 理論的解析により, 非主スペクトル成分の影響が抑制され, 公平性が向上することが示された。 7つの実世界のソーシャルネットワークデータセットに対する大規模な実験により、FairGEは、最先端のベースラインと比較して、統計パリティと機会の平等の両方において少なくとも16%の改善を達成したことが確認された。 ソースコードはhttps://github.com/LuoRenqiang/FairGEで公開されている。

関連論文リスト

• FairGU: Fairness-aware Graph Unlearning in Social Network [17.116462601803544]
  フェアネスを意識したグラフアンラーニングフレームワークであるFairGUを紹介する。 FairGUは、有効データ保護戦略を備えた専用のフェアネス対応モジュールを統合している。 FairGUは、最先端のグラフアンラーニング手法よりも一貫して優れていることを実証する。
  論文  参考訳（メタデータ） (2026-01-14T13:21:39Z)
• FairGSE: Fairness-Aware Graph Neural Network without High False Positive Rates [5.610647458198099]
  グラフ表現学習の主流パラダイムとして,グラフニューラルネットワーク(GNN)が登場している。 2次元構造エントロピー (2D-SE) を最大化し, 偽陽性を伴わない公平性を向上するフレームワークである, 構造エントロピー (textbfFairGSE) によるFair GNNを提案する。 いくつかの実世界のデータセットの実験では、FairGSEはFPRを39%削減している。
  論文  参考訳（メタデータ） (2025-11-15T09:40:47Z)
• Estimating Fair Graphs from Graph-Stationary Data [58.94389691379349]
  グループレベルとノードレベルの定義に対応するグラフに対する群と個性を考える。 与えられたグラフの公平性を評価するために、スペクトル領域における新しい測定を含む複数のバイアス指標を提供する。 FairSpecTempの1つの変種は、直接バイアスを拘束しながらグラフ定常性の可換性を利用する。 もう一方は、グラフスペクトルのバイアスを制限することによって、公正な推定を暗黙的に奨励し、したがってより柔軟である。
  論文  参考訳（メタデータ） (2025-10-08T20:51:57Z)
• Towards Fair Graph Neural Networks via Graph Counterfactual without Sensitive Attributes [4.980930265721185]
  本稿では,Fairwosというフレームワークを提案する。 まず, 疑似感性属性を生成する機構を提案し, 疑似感性属性の欠如を解消する。 次に、実際のデータセットからグラフ反事実を見つけるための戦略を設計する。
  論文  参考訳（メタデータ） (2024-12-13T08:11:40Z)
• Enhancing Fairness in Unsupervised Graph Anomaly Detection through Disentanglement [33.565252991113766]
  グラフ異常検出(GAD)は、金融詐欺検出から偽ニュース検出まで、さまざまなアプリケーションにおいてますます重要になっている。 現在のGAD法は主に公平性の問題を見落としており、特定の人口集団に対して差別的な決定が下される可能性がある。 DeFENDという属性グラフ上に,DisEntangle-based FairnEss-aware aNomaly Detectionフレームワークを考案した。 実世界のデータセットに対する実証的な評価から、DEFENDはGADにおいて効果的に機能し、最先端のベースラインと比較して公正性を著しく向上することが明らかとなった。
  論文  参考訳（メタデータ） (2024-06-03T04:48:45Z)
• FairGT: A Fairness-aware Graph Transformer [10.338939339111912]
  フェアネスを意識したグラフ変換器であるFairGTを提案する。 FairGTには、細かな構造的特徴選択戦略とマルチホップノード特徴統合手法が組み込まれている。 5つの実世界のデータセットで実施された実証的な評価は、既存のグラフトランスフォーマーやグラフニューラルネットワーク、最先端の公正を意識したグラフ学習アプローチよりも、FairGTの公正度指標の優位性を示している。
  論文  参考訳（メタデータ） (2024-04-26T05:48:59Z)
• 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)
• 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)
• Marginal Nodes Matter: Towards Structure Fairness in Graphs [77.25149739933596]
  構造フェアネスを実現するために,textbfStructural textbfFair textbfGraph textbfNeural textbfNetwork (SFairGNN)を提案する。 実験の結果、SFairGNNは、下流タスクにおける全体的な性能を維持しながら、構造フェアネスを大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2023-10-23T03:20:32Z)
• 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)
• Learning Fair Node Representations with Graph Counterfactual Fairness [56.32231787113689]
  以上の事実から導かれるバイアスを考慮したグラフ反事実公正性を提案する。 我々は各ノードとその周辺住民の感度特性の摂動に対応する反事実を生成する。 我々のフレームワークはグラフの反ファクトフェアネスにおける最先端のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2022-01-10T21:43:44Z)

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。