Fugu-MT 論文翻訳(概要): FairGC: Fairness-aware Graph Condensation

論文の概要: FairGC: Fairness-aware Graph Condensation

arxiv url: http://arxiv.org/abs/2603.28321v1
Date: Mon, 30 Mar 2026 11:46:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:45.368577
Title: FairGC: Fairness-aware Graph Condensation
Title（参考訳）: FairGC: 公正を意識したグラフ凝縮
Authors: Yihan Gao, Chenxi Huang, Wen Shi, Ke Sun, Ziqi Xu, Xikun Zhang, Mingliang Hou, Renqiang Luo,
Abstract要約: グラフ蒸留プロセスに直接公正性を組み込む統合フレームワークであるFairGCを紹介する。 FairGCは精度と公平性のバランスが優れていることを示す。以上の結果から,FairGCは統計パリティと平等機会の格差を著しく減少させることが明らかとなった。
参考スコア（独自算出の注目度）: 11.416044011065017
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph condensation (GC) has become a vital strategy for scaling Graph Neural Networks by compressing massive datasets into small, synthetic node sets. While current GC methods effectively maintain predictive accuracy, they are primarily designed for utility and often ignore fairness constraints. Because these techniques are bias-blind, they frequently capture and even amplify demographic disparities found in the original data. This leads to synthetic proxies that are unsuitable for sensitive applications like credit scoring or social recommendations. To solve this problem, we introduce FairGC, a unified framework that embeds fairness directly into the graph distillation process. Our approach consists of three key components. First, a Distribution-Preserving Condensation module synchronizes the joint distributions of labels and sensitive attributes to stop bias from spreading. Second, a Spectral Encoding module uses Laplacian eigen-decomposition to preserve essential global structural patterns. Finally, a Fairness-Enhanced Neural Architecture employs multi-domain fusion and a label-smoothing curriculum to produce equitable predictions. Rigorous evaluations on four real-world datasets, show that FairGC provides a superior balance between accuracy and fairness. Our results confirm that FairGC significantly reduces disparity in Statistical Parity and Equal Opportunity compared to existing state-of-the-art condensation models. The codes are available at https://github.com/LuoRenqiang/FairGC.
Abstract（参考訳）: グラフ凝縮(GC)は、大量のデータセットを小さな合成ノードセットに圧縮することで、グラフニューラルネットワークをスケールするための重要な戦略となっている。現在のGCメソッドは予測精度を効果的に維持するが、主にユーティリティ用に設計されており、フェアネス制約を無視することが多い。これらのテクニックはバイアスブラインドであるため、元のデータに見られる人口格差を頻繁に捉え、増幅する。これは、信用スコアやソーシャルレコメンデーションのようなセンシティブなアプリケーションには適さない合成プロキシをもたらす。この問題を解決するために、グラフ蒸留プロセスに直接公正性を組み込む統合フレームワークであるFairGCを導入する。私たちのアプローチは3つの重要なコンポーネントで構成されています。まず、分散保存凝縮モジュールはラベルと機密属性の結合分布を同期させ、バイアスの拡散を阻止する。第二に、スペクトルエンコーディングモジュールはラプラシアン固有分解を用いて重要なグローバルな構造パターンを保存する。最後に、Fairness-Enhanced Neural Architectureでは、マルチドメイン融合とラベル平滑なカリキュラムを使用して、等価な予測を生成する。実世界の4つのデータセットに対する厳密な評価は、FairGCが正確性と公正性のバランスが優れていることを示している。以上の結果から,FairGCは既存の最先端凝縮モデルと比較して,統計的パリティと平等機会の格差を著しく低減することが明らかとなった。コードはhttps://github.com/LuoRenqiang/FairGCで公開されている。

関連論文リスト

PLGC: Pseudo-Labeled Graph Condensation [11.1647744418267]
大きなグラフデータセットは、グラフニューラルネットワーク(GNN)のトレーニングを計算にコストがかかる。既存のアプローチはクリーンで教師付きラベルに依存しており、ラベルが乏しい、うるさい、一貫性のないときに信頼性を制限する。 Pseudo-Labeled Graph Condensation (PLGC)を提案する。
論文参考訳（メタデータ） (2026-01-15T13:02:31Z)
FairGE: Fairness-Aware Graph Encoding in Incomplete Social Networks [21.123569802490724]
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。
論文参考訳（メタデータ） (2026-01-14T11:33:05Z)
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 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)
Rethinking Fair Graph Neural Networks from Re-balancing [26.70771023446706]
単純な再分散手法は、既存の公正なGNN手法と容易に一致するか、追い越すことができる。本稿では,グループバランスによるGNNの不公平さを軽減するために,再バランシングによるFairGB,Fair Graph Neural Networkを提案する。
論文参考訳（メタデータ） (2024-07-16T11:39:27Z)
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)
Generative and Contrastive Paradigms Are Complementary for Graph Self-Supervised Learning [56.45977379288308]
Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。 Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
論文参考訳（メタデータ） (2023-10-24T05:06:06Z)
Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
論文参考訳（メタデータ） (2022-09-08T16:20:25Z)
Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network [111.67744771462873]
本稿では,スパース知識グラフ(KG)のための新しい説明可能なモデルを提案する。高次推論をグラフ畳み込みネットワーク、すなわちHoGRNに結合する。情報不足を緩和する一般化能力を向上させるだけでなく、解釈可能性も向上する。
論文参考訳（メタデータ） (2022-07-14T10:16:56Z)
DECAF: Generating Fair Synthetic Data Using Causally-Aware Generative Networks [71.6879432974126]
本稿では,GANに基づく表型データのための公正な合成データ生成装置であるDECAFを紹介する。 DeCAFは望ましくないバイアスを除去し,高品質な合成データを生成可能であることを示す。下流モデルの収束と公平性に関する理論的保証を提供する。
論文参考訳（メタデータ） (2021-10-25T12:39:56Z)

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。