論文の概要: FairProp: Fair Node Representation Learning via Differentiable Propagation Layers

• arxiv url: http://arxiv.org/abs/2610.06484v1
• Date: Mon, 05 Oct 2026 15:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:07:02.35357
• Title: FairProp: Fair Node Representation Learning via Differentiable Propagation Layers
• Title（参考訳）: FairProp: 微分プロパゲーションレイヤによる公正なノード表現学習
• Abstract要約: グラフニューラルネットワーク(GNN)はノード表現学習の標準ツールであり、ハイテイクな設定での利用が増えている。 本稿では,ノード分類,リンク予測,ノード回帰のための下流予測レベルにおけるグループフェアネスについて検討する。
• 参考スコア（独自算出の注目度）: 7.305019142196581
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) are the standard tool for node representation learning and are increasingly used in high-stakes settings. Their message-passing backbone, however, can amplify topological bias, raising fairness concerns. We study group fairness at the level of downstream predictions for node classification, link prediction, and node regression, and bound the demographic parity gap for an arbitrary number of sensitive groups. Our node classification bound is provably no looser than the closest prior result. For link prediction, ours is the first bound on the parity gap of the deployed sigmoid-activated prediction rather than a pre-activation proxy, and for node regression we provide the first such bound. Across all three tasks, the analysis identifies two distinct sources of bias: the separation between group means and the within-group covariance of the final representations. Building on this insight, we embed fairness into propagation itself by augmenting the convex smoothing problem underlying APPNP with a convex group-mean constraint and a within-group covariance regularizer. Unfolding projected gradient descent on this problem yields FairProp, whose layers pair a propagation step with a closed-form projection and which provably converges linearly to the unique fair optimum. Experiments on three tasks show that FairProp, even with exact group-mean equalization alone, provides a strong inductive bias that achieves excellent fairness-utility trade-offs against strong baselines.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はノード表現学習の標準ツールであり、ハイテイクな設定での利用が増えている。 しかし、メッセージ通過バックボーンはトポロジカルなバイアスを増幅し、公正な懸念を提起する。 ノード分類,リンク予測,ノード回帰に対する下流予測のレベルにおけるグループフェアネスについて検討し,任意の数のセンシティブなグループに対して,人口統計学的パリティギャップを限定した。 我々のノード分類境界は、確実に最も近い先行結果よりも緩くはない。 リンク予測は, プリアクティベーションプロキシではなく, デプロイされたシグモイド活性化予測のパリティギャップ上の最初のバウンダリであり, ノード回帰ではそのようなバウンダリを提供する。 すべての3つのタスクにおいて、分析は2つの異なるバイアス源を識別する: 群平均の分離と最終表現の群内共分散である。 この知見に基づいて, APPNP の根底にある凸平滑化問題を凸群平均制約と群内共分散正規化器で増大させることにより, 伝播自体に公正さを埋め込む。 この問題に対する射影勾配勾配勾配の展開はFairPropを生じさせ、その層は伝播ステップと閉形式射影をペア付け、一意のフェア最適値に線形に収束する。 3つのタスクの実験から、FairPropは、正確なグループ平均等化だけでも、強いベースラインに対して優れた公平性と実用性のトレードオフを達成する強力な帰納バイアスをもたらすことが示されている。

関連論文リスト

• Subgraph Filtering for Fair Graph Neural Networks [4.075849063907074]
  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。
  論文  参考訳（メタデータ） (2026-08-26T22:40:31Z)
• Towards Provably Fair Machine Learning: Bayesian Approaches For Consistent and Transparent Predictions [0.0]
  本稿では,部分群予測における一貫性の原理的アルゴリズムを提案する。 我々の分類器は、ベースライン精度を越えながら、構築によってゼロ整合誤差を達成する。 マイノリティの人口層は不均等に小さなサブグループに集中している。
  論文  参考訳（メタデータ） (2026-06-10T19:16:26Z)
• Stay Fair! Ensuring Group Fairness in Diffusion Models Across Guidance Scales [12.234658039504728]
  拡散モデルは、迅速なアライメントと多様性をトレードオフするために調整可能なガイダンススケールでステア条件生成を行う。 全体バイアスをモデルバイアスとガイダンスバイアスの2つのコンポーネントに分解することで、この振る舞いを以前見過ごされたソースにトレースします。 本稿では、この条件を利用して、両レシスタンスで公正なガイダンスアルゴリズムを設計するStayFairを提案する。
  論文  参考訳（メタデータ） (2026-05-27T06:39:25Z)
• Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
  NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。 本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
  論文  参考訳（メタデータ） (2025-12-31T12:08:29Z)
• Cauchy-Schwarz Fairness Regularizer [17.898277374771254]
  機械学習におけるグループフェアネスは、モデル予測とセンシティブな属性間の依存を減らす正規化子を追加することで強制されることが多い。 感性群に条件付けられた予測分布間の経験的CSのばらつきを罰するコーシー=シュワルツフェアネス正規化器を提案する。
  論文  参考訳（メタデータ） (2025-12-10T09:39:30Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Endowing Pre-trained Graph Models with Provable Fairness [49.8431177748876]
  証明可能な公正性を持つ事前学習グラフモデル(GraphPAR)を実現する新しいアダプタチューニングフレームワークを提案する。 具体的には、各ノードに対して異なる属性意味を持つノード表現を拡張するために、ノード表現に対するセンシティブなセマンティックオーグメンタを設計する。 GraphPARでは、各ノードの公平性が証明可能であるかどうか、すなわち、予測が特定の機密属性セマンティクスの範囲内で常に公平であるかどうかを定量化する。
  論文  参考訳（メタデータ） (2024-02-19T14:16:08Z)
• Disparity, Inequality, and Accuracy Tradeoffs in Graph Neural Networks for Node Classification [2.8282906214258796]
  グラフニューラルネットワーク(GNN)は、属性付きグラフのノードラベルを予測するための重要な人間のアプリケーションで、ますます使われている。 保護されたグループと保護されていないグループのノード間の分離性を減少させるPFR-AXと、ブラックボックスポリシーに基づいたモデル予測を更新するPostProcessという2つの新しいGNN非依存的介入を提案する。 PFR-AXとPostProcessは,保護群におけるノードの正の結果を正確に予測した場合に,粒度制御とモデル信頼度の向上を図っている。
  論文  参考訳（メタデータ） (2023-08-18T14:45:28Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)

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。