公平 GLASSO: 无偏统计行为估计公平图模型

Jun, 2024

公平 GLASSO: 无偏统计行为估计公平图模型

Fair GLASSO: Estimating Fair Graphical Models with Unbiased Statistical Behavior

Madeline Navarro, Samuel Rey, Andrei Buciulea, Antonio G. Marques, Santiago Segarra

TL;DR我们提出了一种公平估计的高斯图模型，该模型可以通过两个偏差度量来促进不同敏感属性的节点组之间的统计相似性的平衡。利用这些度量，我们提出了一种称为 Fair GLASSO 的正则化图拉索方法，以获得在组之间具有无偏统计依赖关系的稀疏高斯精度矩阵。我们还提出了一种高效的近端梯度算法来获得这些估计值。在理论上，我们阐明了公平性和准确性之间的权衡关系，包括在公平性约束下准确性可以得到保持的情况。此外，我们研究了 Fair GLASSO 的复杂性，并证明了我们的算法具有快速收敛速度。通过合成和真实世界的模拟验证，我们展示了我们提出的优化问题和迭代算法的价值和有效性。

Abstract

We propose estimating gaussian graphical models (GGMs) that are fair with respect to sensitive nodal attributes. Many real-world models exhibit unfair discriminatory behavior due to biases in data. Such discrimination is known to be exacerbated when data is equipped with pairwise relat

gaussian graphical models fairness bias metrics graphical lasso proximal gradient algorithm

发现论文，激发创造

赋予预训练图模型可证明的公平性

通过冻结 PGM 的参数并训练一个参数高效的适配器，我们提出了一个名为 GraphPAR 的新颖适配器调节框架，以灵活提高 PGM 在下游任务中的公平性，同时在可证实的范围内对每个节点的公平性进行量化验证。

Feb, 2024

具有凸罚项的公平广义线性模型

本文提出两种 GLMs 的公平性标准，即基于期望结果或对数似然函数的平等化，证明了对于 GLMs，两个标准都可以通过只基于 GLM 的线性组成部分的凸罚项实现，从而允许高效的优化。同时，给出了导致公平 GLM 估计器的理论性质。

Jun, 2022

公平感知的最优图滤波器设计

从图信号处理的角度，我们借鉴了先设计好的图滤波在机器学习管道中，以降低敏感属性与潜在图连接性之间的相关性，从而解决图机器学习中的偏见问题。通过最优的图滤波设计，我们在公平性和实用性方面取得了较好的平衡。

Oct, 2023

公平抽样：高效训练公平准确的图卷积神经网络

本文主要研究了图卷积神经网络（GCNs）中的公平性问题，以及如何训练公平且准确的 GCNs。研究着重分析了图结构偏差、节点属性偏差和模型参数对 GCNs 中的人口平等性的影响，提出了一个名为 FairSample 的框架来共同解决这些偏差，其中采用了注入边缘和使用增强学习的可学习邻居采样策略来改善图结构和保证模型的公平性和质量，同时还采用了正则化目标来优化公平性。

Jan, 2024

通过重加权和调整实现个体公平性

通过在德国信贷批准数据集上的实验证明，将图拉普拉斯正则化程序用于算法公平性技术可以提高个人公平性并降低偏差，同时揭示了 Prediction Consistency 评分可能会误导的问题。

May, 2024

面向公平性的图神经网络消息传递

提出了一种新颖的公平感知消息传递框架 GMMD，该框架考虑了图平滑性和表示公平性，并且可以显著提高各种 GNN 模型的公平性，同时保持高精度。

Jun, 2023

高斯图模型的差异性检验及其应用：大脑连接研究

该研究通过使用稀疏估计的参数来计算信赖区间，建立了基于大脑功能的参数分布，提出一种去偏的多任务融合 Lasso 方法。该方法可用于比较变化的功能脑网络边缘，并在自闭症研究方面进行了验证。

Dec, 2015

分组融合图形 lasso 的块状常数高斯图模型的正则化估计

本文提出了一种基于稀疏差异先验的正则化 M - 估计方法，通过估计图和变化点结构相结合，探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构，以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外，方法的扩张能使得在多个系统的依赖关系中进行变化点的估计，并提出了一种高效算法用于对结构的估计，最后，对两个真实世界数据集的定性影响以及合理性进行研究。

Dec, 2015

多项式图形套索：从高斯图 - 平稳信号学习边缘

Polynomial Graphical Lasso (PGL) 是一种学习从节点信号中获取图结构的新方法，模拟节点信号为高斯和图上的静态信号，提出了一个结合图融奕和更全面模型的图学习公式，通过估计图和精确度矩阵的低复杂度算法来解决优化问题的复杂性和非凸性，对合成和真实数据进行全面的数值模拟验证其优越性，为图学习提供了重要进展，能在图感知信号分析及其他应用上发挥作用。

Apr, 2024

追求图中的公平性：基于 GNN 架构的视角

通过提出一种新的图神经网络架构，即 FMP，该研究旨在通过在模型架构层面实现公平性，解决 GNN 在公平性性能方面相对较差的问题。实验表明，所提出的 FMP 在三个真实世界的数据集上，在公平性和准确性方面优于几种基准方法。

Dec, 2023