論文の概要: Fairness-Aware Network Embeddings: Methods, Applications, and Challenges
- arxiv url: http://arxiv.org/abs/2608.19381v1
- Date: Wed, 19 Aug 2026 18:51:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.385412
- Title: Fairness-Aware Network Embeddings: Methods, Applications, and Challenges
- Title（参考訳）: 公正なネットワーク埋め込み:方法、応用、課題
- Abstract要約: 実世界のネットワークは、しばしば人口動態の不均衡、ホモフィリー、その他の社会的バイアスから構造的不平等を反映する。
本稿では,複雑なネットワークに対する公平性を考慮したネットワーク埋め込みについて概観する。
- 参考スコア（独自算出の注目度）: 16.601913689265547
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Network embedding methods learn low-dimensional representations of graph-structured data to support downstream tasks such as node classification, link prediction, and influence maximization. However, real-world networks often reflect structural inequalities arising from demographic imbalances, homophily, and other societal biases, which fairness-agnostic embedding methods can encode and amplify. To address this issue, numerous fairness-aware network embedding methods have been proposed to mitigate bias while preserving embedding utility. This survey presents a comprehensive overview of fairness-aware network embeddings for complex networks. We propose a taxonomy that categorizes existing methods along three main complementary dimensions: underlying embedding approach (spectral, random walk, graph neural network, Bayesian, and method-agnostic), fairness intervention strategy (pre-processing, in-processing, and post-processing), and fairness objective criterion (embedding- or task-level). We further compare methods with respect to group versus individual fairness and assumptions regarding sensitive attributes. Finally, we discuss current limitations and highlight promising future research directions. This survey provides a unified perspective on fairness-aware network embedding and serves as a reference for developing fair and trustworthy network representation learning methods.
- Abstract（参考訳）: ネットワーク埋め込み手法はグラフ構造データの低次元表現を学習し、ノード分類、リンク予測、影響の最大化といった下流タスクをサポートする。
しかし、実世界のネットワークはしばしば、人口動態の不均衡、ホモフィリー、その他の社会的バイアスから生じる構造的不平等を反映し、公正性に依存しない埋め込み法はエンコードし増幅することができる。
この問題に対処するため,組込みユーティリティを保ちながらバイアスを軽減するために,多数の公正なネットワーク埋め込み手法が提案されている。
本稿では,複雑なネットワークに対する公平性を考慮したネットワーク埋め込みについて概観する。
本稿では,既存の手法を3つの相補的な側面に沿って分類する分類法を提案する。基礎的な埋め込みアプローチ(スペクトル,ランダムウォーク,グラフニューラルネットワーク,ベイズ的,メソッドに依存しない),公正介入戦略(前処理,内処理,後処理),公正客観的基準(埋め込み,タスクレベル)である。
さらに、グループ対個人公正性に関する手法と、センシティブな属性に関する仮定を比較した。
最後に、現在の限界について議論し、将来的な研究の方向性を強調します。
本調査は,公正性を意識したネットワーク埋め込みの統一的な視点を提供し,公平で信頼性の高いネットワーク表現学習手法開発のためのリファレンスとして機能する。
関連論文リスト
- From Network Inequality to Network Fairness: A Perspective on Responsible Decision-Making [8.949281514037148]
ソーシャルネットワークは、個人の意思決定方法と機会の分散を形作る。
10のネットワーク効果を特定し、測定対象と観測対象の関係において構造的バイアスをどのように生み出すかを追跡する。
例として,ネットワークバイアスが本質的に有害あるいは有益ではないことを示す。
論文 参考訳（メタデータ） (2026-09-12T10:38:52Z) - Context-Aware Interpretable Representations for Retrieval and Graph Convolutional Network Classification [3.5232028627328895]
ランクベースの解釈可能なグラフ埋め込みとマニフォールド学習戦略を統合した,教師なしの新しいフレームワークを提案する。
提案手法は、まず、多様体解析によりデータセットの文脈情報を特徴付け、次にスパースで自己説明可能な埋め込みを生成することにより、これらのギャップを効果的に橋渡しする。
論文 参考訳（メタデータ） (2026-08-29T02:29:59Z) - Toward Unifying Group Fairness Evaluation from a Sparsity Perspective [14.456880823997757]
本稿では,アルゴリズムの公平性を評価するための分散空間ベースのフレームワークを提案する。
このフレームワークは、既存の公正性基準と整合し、幅広い機械学習タスクに幅広い適用性を示す。
論文 参考訳（メタデータ） (2025-11-01T02:02:11Z) - Contrastive Network Representation Learning [20.236657764682715]
ネットワーク表現学習は、ネットワークを低次元空間に埋め込み、構造的および意味的特性を保存しようとする。
本稿では,ネットワークエッジ埋め込みのための新しいコントラスト学習に基づく統計的アプローチを提案する。
本手法は,エッジ表現学習のための最小収束率を実現する。
論文 参考訳（メタデータ） (2025-09-14T15:25:59Z) - Advancing Attribution-Based Neural Network Explainability through Relative Absolute Magnitude Layer-Wise Relevance Propagation and Multi-Component Evaluation [0.0]
本稿では,レイヤワイド関連伝播による入力ニューロンの関連性を決定する新しい手法を提案する。
その結果,提案手法の利点が明らかとなった。
本研究では, 忠実性, 頑健性, コントラスト性の概念を組み合わせた新しい評価指標を提案する。
論文 参考訳（メタデータ） (2024-12-12T14:25:56Z) - Enhancing Model Fairness and Accuracy with Similarity Networks: A Methodological Approach [0.20718016474717196]
インスタンスを類似機能空間にマッピングするために、さまざまなテクニックを使用します。
本手法は, モデルフェアネスとデータセット分類複雑性の関係について, ペアワイズ類似性の分解能を調整できる。
論文 参考訳（メタデータ） (2024-11-08T15:43:01Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。
本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文 参考訳（メタデータ） (2021-09-28T00:53:34Z) - Contrastive Learning for Fair Representations [50.95604482330149]
訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。
対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。
比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
論文 参考訳（メタデータ） (2021-09-22T10:47:51Z) - Visualization of Supervised and Self-Supervised Neural Networks via
Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。
実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文 参考訳（メタデータ） (2020-12-03T18:48:39Z) - Benchmarking Network Embedding Models for Link Prediction: Are We Making
Progress? [84.43405961569256]
我々はリンク予測のためのネットワーク埋め込み手法の最先端について光を当てた。
私たちは、一貫した評価パイプラインを使用して、過去数年間でわずかに進歩しただけであることを示しています。
我々は、標準化された評価ツールがこの状況を修復し、この分野の将来的な進歩を促進することができると論じている。
論文 参考訳（メタデータ） (2020-02-25T16:59:09Z)
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。