論文の概要: Geometrical fairness in graph neural networks
- arxiv url: http://arxiv.org/abs/2606.17684v1
- Date: Tue, 16 Jun 2026 08:50:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.362469
- Title: Geometrical fairness in graph neural networks
- Title（参考訳）: グラフニューラルネットワークにおける幾何学的公正性
- Authors: Arturo Pérez-Peralta, Sandra Benítez-Peña, Blas Kolic, Rosa E. Lillo,
- Abstract要約: 基礎となるラプラシアン作用素を変更することにより、グラフに基づく拡散の公平性を考慮した適応を導入する。
結果の振る舞いを原理的に分析し、公正性に関する理論的洞察を確立する。
- 参考スコア（独自算出の注目度）: 0.5872014229110214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-based learning methods have become increasingly prominent due to their strong performance across diverse applications. Among these, recent frameworks grounded in diffusion processes provide a unifying perspective that extends traditional graph neural network formulations while addressing limitations of standard message-passing mechanisms. Despite these advances, concerns remain regarding the fairness of such models, as they may propagate or amplify biases present in the data. In this work, we introduce a fairness-aware adaptation of graph-based diffusion by modifying the underlying Laplacian operator. Our approach incorporates multiple complementary transformations, including subspace projections, spectral adjustments, and frequency-based filtering, to mitigate bias-related components. Leveraging the intrinsic smoothing properties of graph diffusion, we provide a principled analysis of the resulting behavior and establish theoretical insights into fairness properties. We evaluate the proposed framework on both synthetic and real-world datasets, demonstrating that it achieves competitive performance while improving fairness metrics with limited additional computational cost.
- Abstract（参考訳）: グラフベースの学習手法は、多様なアプリケーションにまたがる強力なパフォーマンスのために、ますます顕著になっている。
これらのうち、拡散プロセスに根ざした最近のフレームワークは、標準的なメッセージパッシング機構の制限に対処しながら、従来のグラフニューラルネットワークの定式化を拡張した統一的な視点を提供する。
これらの進歩にもかかわらず、データに存在するバイアスを伝播または増幅する可能性があるため、そのようなモデルの公平性に関する懸念は残る。
本研究では、基礎となるラプラシア作用素を変更することにより、グラフベースの拡散の公平性を考慮した適応を導入する。
提案手法は, 部分空間投影, スペクトル調整, 周波数に基づくフィルタリングを含む複数の相補変換を取り入れ, バイアス関連成分を緩和する。
グラフ拡散の内在的滑らか化特性を活用することにより、結果の挙動を原則解析し、公正性に関する理論的洞察を確立する。
提案手法は,合成データセットと実世界のデータセットの両方で評価し,計算コストの制限による公正度指標の改善と競争性能の向上を実証した。
関連論文リスト
- SaliencyDecor: Enhancing Neural Network Interpretability through Feature Decorrelation [4.096797783087454]
SaliencyDecorは、Saliencyメソッドやモデルアーキテクチャを変更することなく、属性の忠実さを改善するために機能のデコレーションを強制するトレーニングフレームワークである。
提案手法は,予測性能を向上しつつ,よりシャープで,よりオブジェクト指向のサリエンシマップを生成する。
論文 参考訳（メタデータ） (2026-04-28T07:25:07Z) - TopoFair: Linking Topological Bias to Fairness in Link Prediction Benchmarks [2.227306407687634]
グラフリンク予測(LP)は、仕事の推薦や友情形成など、社会的に影響力のある応用において重要な役割を果たす。
多くの公正な手法は、予測格差を軽減するためにグラフ構造を操作するが、社会グラフ構造に固有のトポロジ的バイアスはいまだに理解されていない。
本稿では,その基盤となるグラフの構造的バイアスに着目した,公正なLPのための新しいベンチマークフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-12T10:29:44Z) - On the use of graph models to achieve individual and group fairness [0.6299766708197883]
我々は、動的システムとホモロジーに基づくツールを活用して公平性をモデル化するための、せん断拡散に基づく理論的枠組みを提供する。
本稿では,異なる公平度尺度を扱うネットワークトポロジの集合について述べる。
本稿では,提案モデルの性能を,精度と公平性の観点から示す。
論文 参考訳（メタデータ） (2026-01-13T18:17:43Z) - Partial Transportability for Domain Generalization [56.37032680901525]
本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。
我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。
本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
論文 参考訳（メタデータ） (2025-03-30T22:06:37Z) - Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。
具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。
そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
論文 参考訳（メタデータ） (2024-08-08T17:20:08Z) - Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳（メタデータ） (2024-02-13T14:13:17Z) - FairWire: Fair Graph Generation [18.6649050946022]
この研究は、実グラフと合成グラフの両方における構造バイアスの分析と緩和に焦点を当てている。
同定されたバイアス要因を緩和するため、多目的な利用を提供する新しい公正正則化器を設計する。
本稿では, 公正な正規化器設計を生成モデルで活用することにより, 公正なグラフ生成フレームワークであるFairWireを提案する。
論文 参考訳（メタデータ） (2024-02-06T20:43:00Z) - HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。
ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文 参考訳（メタデータ） (2023-10-03T17:42:09Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Fair Node Representation Learning via Adaptive Data Augmentation [9.492903649862761]
この研究は、グラフニューラルネットワーク(GNN)を用いて得られるノード表現のバイアス源を理論的に説明する。
この分析に基づいて、本質的なバイアスを低減するために、公正に意識したデータ拡張フレームワークを開発した。
分析と提案手法は,様々なGNN学習機構の公平性を高めるために容易に利用できる。
論文 参考訳（メタデータ） (2022-01-21T05:49:15Z)
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。