TL;DR
- چکیده:.
- در سالهای اخیر،.
- شبکههای عصبی گراف (GNN) در کارهایی مانند طبقهبندی گره،.
چه اتفاقی افتاد
چکیده:. در سالهای اخیر،.
شبکههای عصبی گراف (GNN) در کارهایی مانند طبقهبندی گره،. پیشبینی پیوند و یادگیری نمایش نمودار به موفقیت چشمگیری دست یافتهاند.
با این حال،. آنها مستعد سوگیریهایی هستند که میتواند نه تنها از ویژگیهای گره بلکه از ساختار نمودار نیز ناشی شود.
بنابراین پرداختن به انصاف در GNNها بهعنوان یک چالش تحقیقاتی حیاتی ظاهر شده است. در این کار،.
ما یک مدل جدید برای آموزش GNNهای آگاه از انصاف با بهبود چارچوب شبکه عصبی گراف منصفانه تقویتشده. خلاف واقع (CAF) پیشنهاد میکنیم.
بهطور خاص،. رویکرد ما یک استراتژی آموزشی دو مرحلهای را معرفی میکند:.
در مرحله اول،. ما نمودار را ویرایش میکنیم تا نسبت هموفیلی را با توجه به ی کلاس افزایش دهیم در حالی.
که نسبت هموفیلی را با توجه به ی ویژگی حساس کاهش میدهیم. در مرحله دوم،.
ما یک افت کنتراست نظارت شده اصلاح شده را ادغام میکنیم و زیان محیطی در فرآیند بهینهسازی،. مدل را قادر میسازد تا بهطور مشترک عملکرد پیشبینی و انصاف را بهبود بخشد.
آزمایشها بر روی پنج مجموعه داده دنیای واقعی نشان میدهد که مدل ما از CAF و چندین روش. یادگیری مبتنی بر نمودار پیشرفته در هر دو معیار دقت طبقهبندی و انصاف بهتر عمل میکند.
این مقاله برای انتشار در کنفرانس IEEE در مورد یادگیری ماشینی امن و قابل اعتماد،. 2026 پذیرفته شده است.
یادگیری ماشینی (cs. LG) استناد بهعنوان: (یا v1 [cs.
LG] برای این نسخه) https: // شده توسط arXiv از طریق DataCite تاریخچه ارسال از: Fadi Dornaika Dr. [مشاهده ایمیل] [v1] یکشنبه، 8 فوریه 2026، ساعت 21: 18: 34 UTC (3999 کیلوبایت).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.