이 논문은 그래프 표현 학습에서 발생하는 중심성 기반 편향성을 해결하기 위한 방법을 제안한다. 기존의 그래프 표현 학습 방법들은 노드의 연결 구조에 따른 편향성을 고려하지 않아, 중심성이 높은 노드에 대해 더 나은 성능을 보이는 문제가 있었다.
저자들은 이러한 문제를 해결하기 위해 CAFIN이라는 새로운 프레임워크를 제안한다. CAFIN은 그래프 구조의 중심성 정보를 활용하여 기존 그래프 표현 학습 방법의 손실 함수를 수정한다. 이를 통해 중심성이 낮은 노드에 대한 성능 향상을 유도하여 전체적인 공정성을 높인다.
실험 결과, CAFIN은 노드 분류 및 링크 예측 작업에서 기존 방법 대비 18-80%의 성능 격차 감소를 보였다. 또한 이러한 공정성 향상이 전체 성능에 미치는 영향은 미미한 것으로 나타났다. 다만 전처리 단계에서 발생하는 시간 오버헤드가 큰 편이므로, 근사 거리 측정 기법을 활용하여 이를 해결하는 방안도 제시하였다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Arvindh Arun... at arxiv.org 04-23-2024
https://arxiv.org/pdf/2304.04391.pdfDeeper Inquiries