論文の概要: Grad2Fair: A Gradient-driven Approach for Graph Fairness without Demographics
- arxiv url: http://arxiv.org/abs/2607.14705v1
- Date: Thu, 16 Jul 2026 08:06:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.038714
- Title: Grad2Fair: A Gradient-driven Approach for Graph Fairness without Demographics
- Title（参考訳）: Grad2Fair: デモグラフィックのないグラフフェアネスのためのグラディエント駆動アプローチ
- Abstract要約: グラフニューラルネットワーク(GNN)は、しばしばグループフェアネスの問題に遭遇し、特定の人口集団に対してバイアスのある予測をもたらす。
このバイアスを軽減するために、人口統計のないグループフェアネスのための勾配誘導アプローチであるGrad2Fair(Gradient-to-Fairness)を提案する。
- 参考スコア（独自算出の注目度）: 44.98478567813759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) frequently encounter group fairness issues, often yielding biased predictions against specific demographic groups defined by sensitive attributes such as gender or race. While this challenge has motivated extensive research, most existing solutions rely on the strong assumption that demographics are fully available. To bypass this strict requirement, a few recent studies have attempted to use predicted demographics as proxies to enforce fairness constraints. However, predicted demographics may be inaccurate, resulting in the failure to improve fairness. In this work, we investigate the problem of graph fairness without demographic information and avoid the utilization of predicted demographics. Motivated by our observation that the gradient distributions of misclassified nodes implicitly encode demographic information, we first propose GradDist, a gradient-based metric that quantifies bias by measuring the distance between local modes within these distributions. To mitigate this bias, we propose Gradient-to-Fairness (Grad2Fair), a gradient-guided approach for group fairness without demographics. Due to the potential demographics in gradients, Grad2Fair directly leverages gradients to debias and eliminates demographic prediction, thereby enabling stable fairness performance. Experiments on several real-world datasets demonstrate the effectiveness of Grad2Fair, as evidenced by superior performance over baselines in most cases. Our code is available at https://github.com/ZzoomD/Grad2Fair.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、しばしばグループフェアネスの問題に遭遇し、性別や人種などのセンシティブな属性によって定義される特定の人口集団に対してバイアスのある予測をもたらす。
この課題は広範な研究の動機となっているが、既存のソリューションのほとんどは、人口統計学が完全に利用できるという強い仮定に依存している。
この厳格な要件を回避すべく、最近のいくつかの研究では、予測された人口統計をプロキシとして、公正な制約を強制しようと試みている。
しかし、予測された人口統計は不正確な可能性があるため、公正性を改善することができない。
本研究では、人口統計情報のないグラフフェアネスの問題を調査し、予測された人口統計情報の利用を避ける。
人口統計情報を暗黙的にエンコードする誤分類ノードの勾配分布について,我々はまず,これらの分布内の局所モード間の距離を計測してバイアスを定量化する勾配指標であるGradDistを提案する。
このバイアスを軽減するために、人口統計のないグループフェアネスのための勾配誘導アプローチであるGrad2Fair(Gradient-to-Fairness)を提案する。
勾配の潜在的な人口統計のため、Grad2Fairは勾配をデバイアスに直接利用し、人口予測をなくし、安定した公平性性能を実現する。
実世界のいくつかのデータセットの実験では、ほとんどの場合、ベースラインよりも優れたパフォーマンスで証明されているように、Grad2Fairの有効性が示されている。
私たちのコードはhttps://github.com/ZzoomD/Grad2Fair.orgから入手可能です。
関連論文リスト
- Bias Mitigation in Face Recognition via Demographic-based Supervised Contrastive Learning [4.060167104955954]
顔認識システムは、性別、年齢、民族によって異なる誤り率を示すことで、特定の人口集団に偏っていることが示されている。
本稿では,画像認識のためのDemographic-based Supervised Contrastive Los(DeSCon)を提案する。
論文 参考訳（メタデータ） (2026-08-13T08:51:33Z) - FairForensics: Seeing Expressions and Parsing Demographics via Vision-Language Modeling for Generalizable Fair Deepfake Detection [60.2868121662026]
既存のフェアネスを増強した検出器は、しばしば人口統計群全体にわたって目に見えない操作とフェアネスの最適下一般化に悩まされる。
我々は、バランスの取れない人口シナリオと不均衡な人口シナリオの両方の下で、検出器の公平性を訓練し、評価するために、新しい人口動態バランスFDDベンチマークを構築した。
また,FairForensicsと呼ばれる新しい表現と階層型視覚言語モデルを導入する。
論文 参考訳（メタデータ） (2026-08-03T03:51:14Z) - Enabling Group Fairness in Graph Unlearning via Bi-level Debiasing [11.879507789144062]
グラフアンラーニングは、トレーニングされたグラフモデルに対するユーザデータの影響を消去することで、ユーザのプライバシを保護するための重要なアプローチである。
グラフアンラーニング手法の最近の進歩は,ユーザ情報を取り除きながら,モデル予測性能の維持に重点を置いている。
プライバシと精度を維持しつつ公正性を確保するために,フェアグラフアンラーニング手法FGUを提案する。
論文 参考訳（メタデータ） (2025-05-14T18:04:02Z) - Fairness without Demographics through Learning Graph of Gradients [22.260763111752805]
勾配と群間の相関がグループフェアネスの同定と改善に役立つことを示す。
提案手法はノイズに対して頑健であり,全体の精度を過度に低下させることなく,公平性を著しく向上させることができる。
論文 参考訳（メタデータ） (2024-12-04T20:35:50Z) - Towards Harmless Rawlsian Fairness Regardless of Demographic Prior [57.30787578956235]
トレーニングセットに事前の人口統計が提供されない場合に,有効性を損なうことなく公平性を達成する可能性を探る。
本稿では,経験的損失の最適セット内でのトレーニング損失の分散を最小限に抑えるため,VFairという簡単な手法を提案する。
論文 参考訳（メタデータ） (2024-11-04T12:40:34Z) - Leveraging Prototypical Representations for Mitigating Social Bias without Demographic Information [50.29934517930506]
DAFairは、言語モデルにおける社会的バイアスに対処する新しいアプローチである。
偏見を緩和するために、原型的人口統計テキストを活用し、微調整プロセス中に正規化用語を取り入れる。
論文 参考訳（メタデータ） (2024-03-14T15:58:36Z) - Migrate Demographic Group For Fair GNNs [23.096452685455134]
グラフニューラルネットワーク(GNN)は,グラフ学習の性能が優れているため,多くのシナリオに適用されている。
FairMigrationは2つのトレーニングステージで構成されている。最初の段階では、GNNはパーソナライズされた自己教師型学習によって最初に最適化される。
第2段階では、新しい人口集団は凍結し、新しい人口集団と敵対訓練の制約の下で教師付き学習を行う。
論文 参考訳（メタデータ） (2023-06-07T07:37:01Z) - Balancing out Bias: Achieving Fairness Through Training Reweighting [58.201275105195485]
自然言語処理におけるバイアスは、性別や人種などの著者の特徴を学習するモデルから生じる。
既存のバイアスの緩和と測定方法は、著者の人口統計学と言語変数の相関を直接考慮していない。
本稿では,インスタンス再重み付けを用いたバイアス対策法を提案する。
論文 参考訳（メタデータ） (2021-09-16T23:40:28Z) - Biased Edge Dropout for Enhancing Fairness in Graph Representation
Learning [14.664485680918725]
本稿では,グラフ表現学習における公平性向上と相反するバイアスド・エッジ・ドロップアウトアルゴリズム(fairdrop)を提案する。
FairDropは、多くの既存のアルゴリズムに簡単に接続でき、効率的で適応可能で、他の公平性誘導ソリューションと組み合わせることができます。
提案手法は,すべてのモデルのフェアネスを小さく,あるいは無視可能な精度低下まで改善できることを実証する。
論文 参考訳（メタデータ） (2021-04-29T08:59:36Z) - Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
現在の顔認識(FR)モデルには、人口統計バイアスが存在する。
さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。
真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。
本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-16T15:05:49Z)
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。