論文の概要: Subgraph Filtering for Fair Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2608.26437v1
- Date: Wed, 26 Aug 2026 22:40:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.196968
- Title: Subgraph Filtering for Fair Graph Neural Networks
- Title（参考訳）: 公正グラフニューラルネットワークのための部分グラフフィルタリング
- Abstract要約: グラフニューラルネットワーク(GNN)は、ノードの特徴から機密属性を除外しても不公平な振る舞いを示す。
フェアグラフニューラルネットワーク(SF-GNN)のためのサブグラフフィルタリングを提案する。
SF-GNNは、感度の高いホモフィリーと構造的伝搬増幅器を組み合わせることにより、バイアスが引き起こすエッジを識別する。
次に、エッジフィルタリングを各メッセージパッシングステップに組み込んで、残りのグラフ構造を保存しながら、これらのエッジを選択的にダウンウェイトまたは削除する。
- 参考スコア（独自算出の注目度）: 4.075849063907074
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) can exhibit unfair behavior even when sensitive attributes are excluded from node features, because graph topology and message passing propagate group-correlated signals under sensitive homophily. Existing fairness-aware GNN methods mainly constrain representations or prediction distributions at a global level, without explicitly controlling the local structural pathways through which biased information propagates during aggregation. We propose Subgraph Filtering for Fair Graph Neural Networks (SF-GNN), a lightweight and architecture-agnostic framework that mitigates structural bias at its source. SF-GNN identifies bias-prone edges by combining sensitive homophily with structural propagation amplifiers, including hub participation and triadic closure. It then incorporates stochastic edge filtering into each message-passing step to selectively downweight or remove these edges while preserving the remaining graph structure. Training further incorporates a statistical-parity regularizer with a warm-up schedule to stabilize optimization. Experiments on five benchmark datasets show that SF-GNN achieves consistent fairness improvements while maintaining competitive predictive performance, leading to a better fairness--accuracy trade-off than recent fairness-aware GNN baselines.
- Abstract（参考訳）: グラフトポロジとメッセージパッシングは、感度ホモフィリーの下でグループ関連信号を伝播するため、グラフニューラルネットワーク(GNN)は、機密属性がノードの特徴から除外されたとしても不公平な振る舞いを示す。
既存のフェアネスを意識したGNN手法は, 偏りのある情報が集約中に伝播する局所的な構造経路を明示的に制御することなく, 主にグローバルレベルでの表現や予測分布を制約する。
本稿では,その構造バイアスを軽減する軽量かつアーキテクチャに依存しないフレームワークであるFair Graph Neural Networks (SF-GNN) のサブグラフフィルタリングを提案する。
SF-GNNは、センシティブなホモフィリーとハブ参加や三進的閉包を含む構造的伝搬増幅器を組み合わせることにより、バイアスに起因するエッジを識別する。
次に、各メッセージパスステップに確率的エッジフィルタリングを組み込んで、残りのグラフ構造を保持しながら、これらのエッジを選択的にダウンウェイトまたは削除する。
トレーニングはさらに、最適化を安定させるためにウォームアップスケジュールを備えた統計パリティ正規化器を組み込んでいる。
5つのベンチマークデータセットの実験によると、SF-GNNは競争力のある予測性能を維持しながら一貫した公正性向上を実現している。
関連論文リスト
- FnRGNN: Distribution-aware Fairness in Graph Neural Network [4.013463458124476]
グラフニューラルネットワーク(GNN)は、構造化されたデータから学習する上で優れていますが、回帰タスクの公平性はまだ未調査です。
我々は,GNNに基づくノード回帰のための公平性を考慮した内部処理フレームワークFnRGNNを提案する。
論文 参考訳（メタデータ） (2025-10-22T05:29:43Z) - Improving Fairness in Graph Neural Networks via Counterfactual Debiasing [4.984092292992338]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングに成功している。
GNNは、人種や性別などの属性に基づいた予測においてバイアスを示すことができる。
本稿では, バイアス軽減のためのデファクト・デファクト・データ拡張手法を提案する。
論文 参考訳（メタデータ） (2025-08-20T12:59:05Z) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - Directed Homophily-Aware Graph Neural Network [7.539052660225002]
我々は、ホモフィア認識と指向性を考慮した新しいフレームワーク、Directed Homophily-aware Graph Neural Network (DHGNN)を提案する。
DHGNNは、ホモフィリーレベルと情報性に基づいてメッセージコントリビューションを適応的に変調するリセット可能なゲーティング機構を採用している。
解析により、このゲーティング機構は、方向のホモフィリギャップを捕捉し、層を横切るホモフィリを変動させ、複雑なグラフ構造上のメッセージパッシングの挙動について深い洞察を与えることが示された。
論文 参考訳（メタデータ） (2025-05-28T13:41:04Z) - Bridging Domain Adaptation and Graph Neural Networks: A Tensor-Based Framework for Effective Label Propagation [23.79865440689265]
グラフニューラルネットワーク(GNN)は近年,グラフデータ研究の主要なツールとなっている。
グラフ分類タスクにおける最先端のパフォーマンスにもかかわらず、GNNは監督下の単一のドメインで圧倒的に訓練されている。
本稿では,グラフデータと従来のドメイン適応手法のギャップを埋めるために,ラベル伝搬グラフニューラルネットワーク(LP-TGNN)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-12T15:36:38Z) - 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) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z) - Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。
GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。
本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-07T15:54:42Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳（メタデータ） (2020-06-07T07:06:35Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z)
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。