Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

viikko 46 FMP

Yhteenveto

Tällä viikolla luin artikkelin Chasing Fairness in Graphs: A GNN Architecture Perspective. Tässä artikkelissa ehdotetaan reilua viestinvälitysjärjestelmää (FMP), jota ohjaa graafisen hermoverkon (GNN) yhtenäinen optimointikehys ja jonka tavoitteena on parantaa graafitietojen käsittelyn oikeudenmukaisuutta. Tämä lähestymistapa saavutetaan kahdella ydinvaiheella: ensin aggregoimalla kaaviotiedot ja sitten pyrkimällä nimenomaisesti esittämään kunkin tilastollisen populaation keskusta harhan vähentämiseksi. Tämä menetelmä rakentaa optimointiongelman, joka ottaa huomioon sekä oikeudenmukaisuuden että tietojen tasaisuuden, ja käyttää Fenchelin konjugaatti- ja gradienttilaskeutumistekniikoita yhdistettynä softmax-funktion ominaisuuksiin sen ratkaisemiseksi tehokkaasti, luoden solmuesityksen, joka on sekä oikeudenmukainen että informatiivinen. Tämä järjestelmä on upotettu suoraan GNN:ään solmuluokitustehtävien oikeudenmukaisuuden ja tarkkuuden parantamiseksi ilman tietojen esikäsittelyä. Kokeelliset tulokset osoittavat, että todellisissa tietojoukoissa FMP toimii paremmin kuin useat perusmallit, mikä varmistaa täysin sen tehokkuuden malliarkkitehtuurin, tehokkuuden ja herkän attribuuttien käytön näkökulmasta.

Abstrakti

Tämän viikon viikkolehti purkaa artikkelin Chasing Fairness in Graphs: A GNN Architecture Perspective. Tässä artikkelissa esitellään FMP (Fair Message Passing) -malli, jota ohjaa GNN-verkkojen (Graph Neural Networks) yhtenäinen optimointikehys ja jonka tavoitteena on parantaa graafitietojen käsittelyn oikeudenmukaisuutta. FMP saavuttaa tämän kahdella ydinvaiheella: ensin aggregoimalla graafidataa ja sitten pyrkimällä nimenomaisesti edustamaan eri tilastoryhmien keskuksia harhan lieventämiseksi. Tämä lähestymistapa muotoilee optimointiongelman, joka ottaa huomioon sekä oikeudenmukaisuuden että tietojen tasaisuuden, ja hyödyntää Fenchelin kaksinaisuus- ja gradienttilaskeutumistekniikoita yhdistettynä softmax-funktion ominaisuuksiin ongelman tehokkaaseen ratkaisemiseen ja oikeudenmukaisten ja informatiivisten solmuesitysten luomiseen. Tämä järjestelmä on upotettu suoraan GNN-verkkoihin solmuluokitustehtävien oikeudenmukaisuuden ja tarkkuuden parantamiseksi ilman tietojen esikäsittelyä. Reaalimaailman tietojoukkojen kokeelliset tulokset osoittavat, että FMP ylittää useita perusmalleja ja vahvistaa sen tehokkuuden kattavasti malliarkkitehtuurin, tehokkuuden ja herkkien attribuuttien käytön näkökulmasta.

1. Kysymys

标题: Chasing Fairness in Graphs: A GNN Architecture Perspective

Esittäjä: Zhimeng Jiang1, Xiaotian Han1, Chao Fan2, Zirui Liu3, Na Zou4, Ali Mostafavi1, Xia Hu3

julkaisu: Voi. 38 nro 19: AAAI-24

Linkki: https://doi.org/10.1609/aaai.v38i19.30115

2. Abstrakti

Tämän artikkelin tavoitteena on saavuttaa parempaa oikeudenmukaisuutta uuden GNN-kehyksen avulla, joten siinä ehdotetaan suunnittelua GNN:n yhtenäisen optimointikehyksen puitteissa.Fair Messaging (FMP) .On syytä huomata, että FMP käyttääristientropian menetysEsitä eksplisiittisesti arkaluonteisten attribuuttien käyttö solmujen luokitustehtävissä eteenpäin menevässä siirrossaTietojen esikäsittelyä ei vaadita .FMP:ssä ensimmäinen käyttökertapolymerointihyödyntääkseen naapuritietoja ja sittenBias lieventäminen Vaiheet nimenomaisesti työntävät datatilastoryhmän solmun esityskeskuksen yhteen. Tällä tavalla FMP-järjestelmä voi koota hyödyllistä tietoa naapureista ja lieventää harhoja saavuttaakseen paremman oikeudenmukaisuuden ja ennusteen kompromissin.Solmujen luokitusTehtävää koskevat kokeet osoittavat, että ehdotettu FMP ylittää useat perusviivat oikeudenmukaisuuden ja tarkkuuden suhteen kolmessa todellisessa tietojoukossa.

3. FMP

FMP voi saavuttaa oikeudenmukaisia ​​ennusteita mallin rungon näkökulmasta. Tarkemmin sanottuna reilu sanomanvälitys on muotoiltu optimointiongelmaksi, joka pyrkii samanaikaisesti tasaisuuteen ja reilun solmuesitykseen. Yhdessä tehokkaiden ja tehokkaiden optimointialgoritmien kanssa saadaan aikaan suljetun muodon oikeudenmukainen viestintä. Lopuksi ehdotettu FMP on integroitu oikeudenmukaiseen GNN:ään kolmessa vaiheessa, mukaan lukien muunnos-, yhdistämis- ja debiasointivaiheet, kuten kuvassa 1 on esitetty. Nämä kolme vaihetta ottavat käyttöön solmuominaisuudet, graafitopologian ja vastaavasti herkät attribuutit.

3.1 Optimointikehys

$$\underset{\mathbf{F}}{\min }\frac{{\lambda }_s}{2}tr({\mathbf{F}}^T\tilde{\mathbf{T}}\mathbf{F})\frac{1}{2}||\mathbf{F}-{\mathbf{X}}_{trans}|{|}_F^2{\lambda }_f||{\Delta }_{s}SF(\mathbf{F})|{|}_1\text{\hspace{1em}(1)}$$

$tilde L $edustaa\; normalisoitua\; Laplacian\; matriisia,$h_s(·)$ ja $h_f(\cdot )$ Edustaa sujuvuuden ja oikeudenmukaisuuden tavoitteita,$X_{trans}\in R^{n\times d_{out}}$ on muunnettu$d_{out}$Mittasolmun ominaisuudet.$F\in R^{n\times d_{out}}$ovat saman matriisin kokoisia yhdistettyjä solmuominaisuuksia.

Kaksi ensimmäistä termiä säilyttävät yhdistettyjen solmuesitysten samankaltaisuuden, mikä parantaa graafin tasaisuutta. Viimeinen termi pakottaa reilun solmuesityksen, jotta keskimääräinen ennustettu todennäköisyys voi pysyä vakiona eri herkkien attribuuttiryhmien välillä.

Regularointikertoimet λs ja λf säätelevät adaptiivisesti graafin tasaisuuden ja oikeudenmukaisuuden välistä kompromissia.
$$h_s(\mathbf{F})=\underset{\mathbf{F}}{\min }\frac{{\lambda }_s}{2}tr({\mathbf{F}}^T\tilde{\mathbf{T}}\mathbf{F})\frac{1}{2}||\mathbf{F}-{\mathbf{X}}_{trans}|{|}_F^2$$
Tasaisuustavoite hs(·): Olemassa olevien graafisen viestintämenetelmien vierekkäisyysmatriisit normalisoidaan numeerisen vakauden parantamiseksi ja erinomaisen suorituskyvyn saavuttamiseksi.Reunakeskeisestä näkökulmasta tasoitusobjektiivi pakottaa yhdistäneet solmuesitykset olemaan samanlaisia, koska
$$tr({\mathbf{F}}^T\tilde{\mathbf{T}}\mathbf{F})=\sum _{(v_i,v_j)\in \mathrm{E}}||\frac{{\mathbf{F}}_i}{\sqrt{d_{i}1}}-\frac{{\mathbf{F}}_i}{\sqrt{d_{j}1}}|{|}_F^2\text{\hspace{1em}(2)}$$
Rehellisyystavoite hf(·): Reiluustavoite mittaa solmuesityksen poikkeamaa aggregoinnin jälkeen. Herkkä attribuuttitapahtumavektori Δs edustaa herkkää attribuuttiryhmää ja ryhmän kokoa etumerkin ja absoluuttisen arvon summana.Herkkä attribuuttitapahtumavektori on
Δs = 1