文献

J-GLOBAL ID：202202232752927925   整理番号：22A0930924

グラフ反事実公平性による公平なノード表現の学習【JST・京大機械翻訳】

Learning Fair Node Representations with Graph Counterfactual Fairness

著者 (6件)： Ma Jing (University of Virginia, Charlottesville, VA, USA) ,  Guo Ruocheng (City University of Hong Kong, Hong Kong, UNK, Hong Kong) ,  Wan Mengting (Microsoft, Redmond, WA, USA) ,  Yang Longqi (Microsoft, Redmond, WA, USA) ,  Zhang Aidong (University of Virginia, Charlottesville, VA, USA) ,  Li Jundong (University of Virginia, Charlottesville, VA, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： WSDM ’22  ページ： 695-703  発行年： 2022年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： フェアマシン学習は,人種や性別のような敏感な属性に関して,ある部分母集団に対するモデル予測のバイアスを緩和することを目的とする。多くの既存の公平性概念の中で,対抗的公平性は,元のデータおよび対物から各個人の予測を比較することによって,因果的視点からモデル公平性を測定する。逆に,この個体の敏感な属性値を改良した。最近,少数の研究がグラフデータに対抗的公平性を拡張するが,その多くはバイアスに導くことができる以下の事実を無視している。1)各ノードの隣接の敏感な属性は,このノードの予測に因果する。2)敏感な属性は,他の特徴およびグラフ構造に影響を及ぼす可能性がある。これらの問題に取り組むために,本論文では,上記の事実により導かれるバイアスを考慮した,新しい公平性概念-グラフ対抗公平性を提案する。グラフ対物公平性に対するノード表現を学習するために,著者らは,対抗データ増強に基づく新しいフレームワークを提案した。このフレームワークでは,各ノードとその隣接の敏感な属性に対する摂動に対応する対物を生成する。次に,元のグラフから学習された表現と各ノードに対する対物間の不一致を最小化することにより公平性を強化した。合成および実世界グラフに関する実験は,著者らのフレームワークがグラフ対物公平性における最先端のベースラインより優れていて,また,同等の予測性能を達成することを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  可能性 ,  バイアス ,  問題 ,  基準線 ,  *公平性
準シソーラス用語： 予測性能 ,  グラフ構造 ,  モデル予測 , 【Automatic Indexing@JST】

著者キーワード (4件)： 反事実の公平性 ,  公平性 ,  グラフ ,  ノード表現

分類 (2件)： 計算機網  (JC03000K) ,  無線通信一般  (ND08010L)

タイトルに関連する用語 (5件)： グラフ ,  公平性 ,  ノード ,  表現 ,  学習