論文の概要: Mitigating topology biases in Graph Diffusion via Counterfactual Intervention
- arxiv url: http://arxiv.org/abs/2603.02005v1
- Date: Mon, 02 Mar 2026 15:55:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.950425
- Title: Mitigating topology biases in Graph Diffusion via Counterfactual Intervention
- Title（参考訳）: グラフ拡散における相互干渉によるトポロジーバイアスの緩和
- Authors: Wendi Wang, Jiaxi Yang, Yongkang Du, Lu Lin,
- Abstract要約: グラフ拡散モデルは、しばしば敏感な属性からトポロジーバイアスを継承し増幅し、不公平な合成グラフをもたらす。
フェアグラフ拡散モデル (FairGDiff) は, 位相バイアスを軽減し, 公平性と実用性のバランスをとる。
FairGDiffは、フェアネスとユーティリティのトレードオフが優れており、既存のフェアグラフ生成方法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 12.080488237241907
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph diffusion models have gained significant attention in graph generation tasks, but they often inherit and amplify topology biases from sensitive attributes (e.g. gender, age, region), leading to unfair synthetic graphs. Existing fair graph generation using diffusion models is limited to specific graph-based applications with complete labels or requires simultaneous updates for graph structure and node attributes, making them unsuitable for general usage. To relax these limitations by applying the debiasing method directly on graph topology, we propose Fair Graph Diffusion Model (FairGDiff), a counterfactual-based one-step solution that mitigates topology biases while balancing fairness and utility. In detail, we construct a causal model to capture the relationship between sensitive attributes, biased link formation, and the generated graph structure. By answering the counterfactual question "Would the graph structure change if the sensitive attribute were different?", we estimate an unbiased treatment and incorporate it into the diffusion process. FairGDiff integrates counterfactual learning into both forward diffusion and backward denoising, ensuring that the generated graphs are independent of sensitive attributes while preserving structural integrity. Extensive experiments on real-world datasets demonstrate that FairGDiff achieves a superior trade-off between fairness and utility, outperforming existing fair graph generation methods while maintaining scalability.
- Abstract（参考訳）: グラフ拡散モデルは、グラフ生成タスクにおいて大きな注目を集めているが、しばしば、センシティブな属性(性別、年齢、地域など)からトポロジーバイアスを継承し、増幅し、不公平な合成グラフを生み出す。
拡散モデルを用いた既存の公正グラフ生成は、完全なラベルを持つ特定のグラフベースのアプリケーションに限られるか、グラフ構造とノード属性を同時に更新する必要があるため、一般的な使用には適さない。
グラフトポロジに直接デバイアス法を適用することにより,これらの制限を緩和するため,フェアグラフ拡散モデル(FairGDiff)を提案する。
より詳しくは、感度特性、バイアスドリンク形成、および生成されたグラフ構造との関係を捉えるための因果モデルを構築した。
グラフ構造は, 感度特性が異なる場合, どのように変化するのか?」という反論に答えることで, 偏りのない処理を推定し, 拡散過程に組み込む。
FairGDiffは、反ファクトラーニングを前方拡散と後方復調の両方に統合し、生成したグラフが構造的整合性を維持しながら機密属性に依存しないことを保証する。
実世界のデータセットに関する大規模な実験は、FairGDiffがフェアネスとユーティリティの間の優れたトレードオフを達成し、スケーラビリティを維持しながら既存のフェアグラフ生成方法より優れていることを示している。
関連論文リスト
- Graph Diffusion Counterfactual Explanation [0.8594140167290097]
本稿では,グラフデータに対する反実的説明を生成する新しいフレームワークであるグラフ拡散対実的説明法を紹介する。
実験により,本手法が離散分類対象と連続特性の両方に対して,分布内および最小構造的に異なる反事実を確実に生成できることが実証された。
論文 参考訳（メタデータ） (2025-11-20T12:06:53Z) - 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) - DiffGraph: Heterogeneous Graph Diffusion Model [16.65576765238224]
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モデリングに革命をもたらしたが、従来のGNNは、現実のシナリオで一般的な複雑な異種構造に苦戦している。
異種グラフ拡散モデル(DiffGraph)は,革新的なクロスビュー・デノベーション・ストラテジーを導入した先駆的なフレームワークである。
中心となるDiffGraphは、高度な遅延不均一グラフ拡散機構を備え、優れたノイズ管理のための新しい前方および後方拡散プロセスを実装している。
論文 参考訳（メタデータ） (2025-01-04T15:30:48Z) - Graph Size-imbalanced Learning with Energy-guided Structural Smoothing [13.636616140250908]
実世界のグラフは通常、マルチグラフ分類における大きさ不均衡の問題に悩まされる。
近年の研究では、市販のグラフニューラルネットワーク(GNN)が、長期設定下でのモデル性能を損なうことが報告されている。
我々は,頭部と尾部のグラフの特徴を円滑に表現する,textbfSIMBAという新しいエネルギーベースサイズ不均衡学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-23T14:06:49Z) - Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection [30.618065157205507]
本稿では,グラフレベルの異常検出のための新しい手法Motif-consistent Counterfactuals with Adversarial Refinement (MotifCAR)を提案する。
このモデルは、あるグラフのモチーフと、識別(カテゴリ)情報を含むコアサブグラフと、別のグラフのコンテキストサブグラフを組み合わせて、生の反事実グラフを生成する。
MotifCARは高品質な反ファクトグラフを生成することができる。
論文 参考訳（メタデータ） (2024-07-18T08:04:57Z) - Advancing Graph Generation through Beta Diffusion [49.49740940068255]
Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。
本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T17:42:57Z) - GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。
従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。
本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文 参考訳（メタデータ） (2023-10-20T22:12:46Z) - Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。
本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。
経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
論文 参考訳（メタデータ） (2023-10-10T08:40:47Z) - Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:07:46Z) - Beyond spectral gap: The role of the topology in decentralized learning [58.48291921602417]
機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。
本稿では、労働者が同じデータ分散を共有するとき、疎結合な分散最適化の正確な図面を描くことを目的とする。
我々の理論は深層学習における経験的観察と一致し、異なるグラフトポロジーの相対的メリットを正確に記述する。
論文 参考訳（メタデータ） (2022-06-07T08:19:06Z) - Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。
この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T18:44:37Z) - Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational
Inference [48.63194907060615]
半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。
我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
論文 参考訳（メタデータ） (2020-10-31T05:48:34Z)
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。