Core Concepts
G-FairAttack는 다양한 유형의 공정성 인식 GNN을 공격하기 위한 혁신적인 방법론을 제안합니다.
Abstract
GNN의 공정성에 대한 적대적 공격에 대한 연구 결과를 제시
G-FairAttack의 효과적인 성능과 효율성을 실험을 통해 입증
다양한 공정성 인식 GNN 모델에 대한 공격 효과를 비교하고 분석
Published as a conference paper at ICLR 2024
G-FairAttack은 다양한 유형의 공정성 인식 GNN을 공격하는 혁신적인 방법론을 제안합니다.
G-FairAttack은 공정성을 효과적으로 악화시키면서도 예측 유틸리티의 변화를 미미하게 유지합니다.
G-FairAttack은 공정성을 효과적으로 악화시키면서도 예측 유틸리티의 변화를 미미하게 유지합니다.
INTRODUCTION
GNN은 다양한 인간 중심 응용 분야에서 높은 성공을 거두고 있습니다.
GNN의 공정성에 대한 적대적 공격은 모델의 신뢰성을 심각하게 저해할 수 있습니다.
G-FairAttack은 다양한 유형의 공정성 인식 GNN을 효과적으로 공격하는 방법을 제시합니다.
Stats
공정성 지표 ∆dp와 ∆eo를 사용하여 실험 결과를 분석합니다.
Quotes
"G-FairAttack은 공정성을 효과적으로 악화시키면서도 예측 유틸리티의 변화를 미미하게 유지합니다."
"G-FairAttack은 다양한 유형의 공정성 인식 GNN을 공격하는 혁신적인 방법론을 제안합니다."