本研究では、グラフ上の非監督的表現学習において、ノードの中心性に基づく偏りを軽減するための新しい手法CAFIN(Centrality Aware Fairness inducing IN-processing)を提案する。
CAFINは、既存の非監督的グラフ表現学習フレームワークであるGraphSAGEに公平性制約を追加することで、ノードの中心性に基づく性能格差を低減する。具体的には、ノードの中心性(次数)と各ノードの表現の距離を考慮した損失関数を導入し、中心性の低いノードの表現学習を優先することで、全体の公平性を高めている。
実験では、ノード分類とリンク予測の2つのタスクにおいて、CAFINが既存手法に比べて18%から80%の性能格差の低減を達成している。一方で、全体的な精度は最大7.7%低下するものの、公平性の大幅な改善と比較すると許容できる範囲である。また、ノード間距離の近似計算手法を導入することで、計算コストを大幅に削減できることも示している。
本研究は、グラフ構造に内在する偏りを考慮した非監督的表現学習の新しいアプローチを提示し、公平性と精度のトレードオフを明らかにしている点で意義がある。今後は、様々な中心性指標や、解釈可能性の向上など、さらなる発展が期待される。
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Arvindh Arun... alle arxiv.org 04-23-2024
https://arxiv.org/pdf/2304.04391.pdfDomande più approfondite