論文の概要: Homophily-aware Supervised Contrastive Counterfactual Augmented Fair Graph Neural Network

• arxiv url: http://arxiv.org/abs/2604.02342v1
• Date: Sun, 08 Feb 2026 21:18:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.307727
• Title: Homophily-aware Supervised Contrastive Counterfactual Augmented Fair Graph Neural Network
• Title（参考訳）: コントラスト対実拡大フェアグラフニューラルネットのホモフィカライズ・アウェアによる監視
• Authors: Mahdi Tavassoli Kejani, Fadi Dornaika, Charlotte Laclau, Jean-Michel Loubes,
• Abstract要約: グラフニューラルネットワーク(GNN)は,ノード分類やリンク予測,グラフ表現学習といったタスクにおいて,大きな成功を収めている。 GNNの公平性への対処は、重要な研究課題として浮上している。 本稿では,正当性を考慮したグラフニューラルネットワークフレームワークの改良により,公正性を考慮したGNNのトレーニングモデルを提案する。
• 参考スコア（独自算出の注目度）: 12.65458693321961
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, Graph Neural Networks (GNNs) have achieved remarkable success in tasks such as node classification, link prediction, and graph representation learning. However, they remain susceptible to biases that can arise not only from node attributes but also from the graph structure itself. Addressing fairness in GNNs has therefore emerged as a critical research challenge. In this work, we propose a novel model for training fairness-aware GNNs by improving the counterfactual augmented fair graph neural network framework (CAF). Specifically, our approach introduces a two-phase training strategy: in the first phase, we edit the graph to increase homophily ratio with respect to class labels while reducing homophily ratio with respect to sensitive attribute labels; in the second phase, we integrate a modified supervised contrastive loss and environmental loss into the optimization process, enabling the model to jointly improve predictive performance and fairness. Experiments on five real-world datasets demonstrate that our model outperforms CAF and several state-of-the-art graph-based learning methods in both classification accuracy and fairness metrics.
• Abstract（参考訳）: 近年,グラフニューラルネットワーク(GNN)は,ノード分類やリンク予測,グラフ表現学習といったタスクにおいて顕著な成功を収めている。 しかし、それらはノード属性だけでなく、グラフ構造自体からも生じうるバイアスの影響を受けやすいままである。 それゆえ、GNNの公平性に対処することが重要な研究課題として浮上している。 本研究では,正当性を考慮したグラフニューラルネットワークフレームワーク(CAF)の改良により,公正性を意識したGNNのトレーニングモデルを提案する。 具体的には,2段階の学習手法を提案する。第1段階では,グラフを編集して,クラスラベルに対するホモフィリ比を増大させるとともに,属性ラベルに対するホモフィリ比を低減させる。第2段階では,教師付きコントラスト損失と環境損失を最適化プロセスに統合し,予測性能と公正性を両立させる。 5つの実世界のデータセットに対する実験により、我々のモデルは、分類精度と公正度の両方において、CAFといくつかの最先端グラフベースの学習方法より優れていることが示された。

関連論文リスト

• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Fair Graph Neural Network with Supervised Contrastive Regularization [12.666235467177131]
  公平性を考慮したグラフニューラルネットワーク(GNN)の学習モデルを提案する。 提案手法は, コントラスト損失と環境損失を統合し, 精度と公正性を両立させる。
  論文  参考訳（メタデータ） (2024-04-09T07:49:05Z)
• FairSample: Training Fair and Accurate Graph Convolutional Neural Networks Efficiently [29.457338893912656]
  センシティブなグループに対する社会的バイアスは多くの実世界のグラフに存在するかもしれない。 本稿では,グラフ構造バイアス,ノード属性バイアス,モデルパラメータがGCNの人口動態にどのように影響するかを詳細に分析する。 私たちの洞察は、3種類のバイアスを緩和するフレームワークであるFairSampleにつながります。
  論文  参考訳（メタデータ） (2024-01-26T08:17:12Z)
• 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)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
  本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。 LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• 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)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs [28.77753005139331]
  半教師付きノード分類タスクにおけるグラフニューラルネットワークのヘテロフィリーまたは低ホモフィリー下での表現力について検討する。 多くの人気のあるGNNは、この設定を一般化することができず、グラフ構造を無視したモデルよりも優れています。 ヘテロフィリーの下でのグラフ構造からの学習を促進する重要な設計の集合を同定する。
  論文  参考訳（メタデータ） (2020-06-20T02:05:01Z)

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。