抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
グラフニューラルネットワーク(GNN)は,基礎となるデータがグラフである予測モデリングタスクにおいて優れていることが証明されている。しかし,GNNは人間中心アプリケーションで広く使われるので,公平性の問題は生じている。エッジ削除は,GNNにおける公平性を促進するために用いられる一般的な方法であるが,データが本質的に公平な接続を欠いているときは考慮できない。本研究では,公平性を促進するために,削除を伴うエッジ付加の未探索方法を考察した。エッジ編集を行うための2つのモデル診断アルゴリズム,すなわち,ブート力アプローチと連続近似アプローチ,FairEditを提案した。FairEditは公平性損失の勾配情報を利用して,公平性を改善するエッジを見つけるため,効率的なエッジ編集を行う。FairEditは,多くのデータセットとGNN法に対して標準訓練を凌駕し,一方,多くの最先端手法に対して同等に実行して,FairEditの能力が,多くのドメインとモデルにわたって公平性を改善することを示した。【JST・京大機械翻訳】