論文の概要: Investigating the Effect of k-NN Preprocessing on Developing Graph Neural Networks: A Fairness-Based Perspective

• arxiv url: http://arxiv.org/abs/2609.33416v1
• Date: Sun, 27 Sep 2026 10:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 17:07:30.592359
• Title: Investigating the Effect of k-NN Preprocessing on Developing Graph Neural Networks: A Fairness-Based Perspective
• Title（参考訳）: グラフニューラルネットワーク開発におけるk-NN前処理の効果の検討:公正性に基づく視点
• Abstract要約: フェアグラフ畳み込みニューラルネットワーク(GCN)を設計する手法を開発し、複数のアプリケーションデータセット上でテストする。 提案手法は,グラフ構築中のk-NNアルゴリズムの近傍サイズの変化が,結果モデルの分類性能と公平性に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, a methodology to design fair graph convolutional neural networks (GCNs) is developed and tested over several application data sets. The graphs that are used as inputs to the network are constructed by a k-nearest neighbor-based preprocessing procedure, while fairness issues are considered in terms of the equalized odds criterion. To effectively incorporate the above heterogenous information, the equalized odds criterion is directly embedded into the model's optimization objective through an additional fairness-driven loss functional term. The proposed methodology investigates how varying the neighborhood size in the k-NN algorithm during graph construction influences both the classification performance and the fairness of the resulting models. Extensive experimentation is conducted on three real-world tabular datasets with known biases, evaluating the interplay between graph structure and fairness enforcement. The results demonstrate that the choice of the value of the parameter k critically impacts the performance trends, either steadily improving or peaking at intermediate values depending on dataset characteristics, while the application of fairness constraints significantly mitigates disparities in false positive and false negative rates across groups defined by the protected variable at hand, without incurring major sacrifices in overall accuracy. This study highlights the importance of jointly optimizing the graph construction process and fairness objectives in GCN-based learning, providing a systematic approach toward building more equitable and effective graph-based models.
• Abstract（参考訳）: 本稿では,複数のアプリケーションデータセット上で公正なグラフ畳み込みニューラルネットワーク(GCN)を設計し,テストする手法を提案する。 ネットワークへの入力として使用されるグラフは、k-ネアレスト近傍の事前処理によって構成され、公平性問題は、等化オッズ基準の観点から考慮される。 上記の異種情報を効果的に活用するために、等化オッズ基準は、追加のフェアネス駆動損失汎関数項によってモデルの最適化目標に直接埋め込まれる。 提案手法は,グラフ構築中のk-NNアルゴリズムの近傍サイズの変化が,結果モデルの分類性能と公平性に与える影響について検討する。 グラフ構造と公正化の相互関係を評価するために,3つの実世界の表層データセットに偏りのある実験を行った。 その結果、パラメータkの値の選択は、データセット特性に応じて、中間値が着実に改善またはピークする一方、公正性制約の適用は、保護変数が定義した群間での偽陽性および偽陰性率の差を、全体的な精度に大きな犠牲を伴わずに、著しく軽減することが明らかとなった。 本研究は,GCNに基づく学習において,グラフ構築プロセスと公正性目標を協調的に最適化することの重要性を強調し,より公平で効果的なグラフベースモデルを構築するための体系的なアプローチを提供する。

関連論文リスト

• AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification [56.26852966986448]
  AbstainGNNはグラフ分類のための新しい理論駆動のフレームワークである。 予測関数と禁忌関数の両方を明示的にモデル化し、グラフ構造情報の有効利用を可能にする。 5つのベンチマークデータセットの実験によると、AbstainGNNは既存の禁忌法より優れている。
  論文  参考訳（メタデータ） (2026-05-29T03:21:14Z)
• Homophily-aware Supervised Contrastive Counterfactual Augmented Fair Graph Neural Network [12.65458693321961]
  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。
  論文  参考訳（メタデータ） (2026-02-08T21:18:34Z)
• ACTGNN: Assessment of Clustering Tendency with Synthetically-Trained Graph Neural Networks [4.668678950572517]
  ACTGNNは、データのグラフ表現を利用してクラスタリング傾向を評価するために設計されたグラフベースのフレームワークである。 グラフニューラルネットワーク(GNN)は、合成データセットのみにトレーニングされており、クラスタ構造を堅牢に学習することができる。 その結果,提案手法の一般化性と有効性を強調し,ロバストなクラスタリング傾向評価のための有望なツールとなった。
  論文  参考訳（メタデータ） (2025-01-30T03:31:26Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• 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)
• Addressing the Impact of Localized Training Data in Graph Neural Networks [0.0]
  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から学習において顕著な成功を収めた。 本稿では,グラフの局所化部分集合に対するGNNのトレーニングの影響を評価することを目的とする。 本稿では,局所化学習データとグラフ推論との分散不一致を最小化する正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-24T11:04:22Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)

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。