在当今日益互联的世界,图挖掘在许多现实世界的应用领域发挥着关键作用,包括社交网络分析、建议、营销和金融安全。人们作出了巨大的努力来发展广泛的计算模型。然而,最近的研究表明,许多被广泛应用的图挖掘模型可能会受到潜在的歧视。图挖掘的公平性旨在制定策略以减少挖掘过程中引入或放大的偏差。在图挖掘中加强公平性的独特挑战包括: (1)图数据的非iid性质的理论挑战,这可能会使许多现有研究背后的公平机器学习的基本假设无效,(2) 算法挑战平衡模型准确性和公平性的困境。本教程旨在(1)全面回顾图挖掘方面最先进的技术,(2)确定有待解决的挑战和未来的趋势。特别是,我们首先回顾了背景、问题定义、独特的挑战和相关问题;然后,我们将重点深入概述(1)在图挖掘背景下实施群体公平、个人公平和其他公平概念的最新技术,以及(2)图上算法公平的未来研究方向。我们相信,本教程对数据挖掘、人工智能、社会科学等领域的研究人员和实践者具有吸引力,并对现实世界的众多应用领域有益。

http://jiank2.web.illinois.edu/tutorial/cikm21/fair_graph_mining.html

成为VIP会员查看完整内容
30

相关内容

专知会员服务
40+阅读 · 2021年10月4日
专知会员服务
91+阅读 · 2021年9月2日
【ICML2021-Tutorial】机器学习隐私,90页ppt
专知会员服务
37+阅读 · 2021年7月27日
边缘机器学习,21页ppt
专知会员服务
78+阅读 · 2021年6月21日
【AAAI2021 Tutorial】工业界负责任的人工智能,262页ppt
专知会员服务
114+阅读 · 2021年2月7日
专知会员服务
168+阅读 · 2020年8月26日
【NeurIPS2019报告推荐】公平与表示学习—UIUC Sanmi Koyejo教授
「因果推理」概述论文,13页pdf
专知
16+阅读 · 2021年3月20日
【KDD2020】图神经网络:基础与应用,322页ppt
Arxiv
37+阅读 · 2021年9月28日
A Comprehensive Survey on Transfer Learning
Arxiv
117+阅读 · 2019年11月7日
Arxiv
5+阅读 · 2018年10月11日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
VIP会员
相关VIP内容
专知会员服务
40+阅读 · 2021年10月4日
专知会员服务
91+阅读 · 2021年9月2日
【ICML2021-Tutorial】机器学习隐私,90页ppt
专知会员服务
37+阅读 · 2021年7月27日
边缘机器学习,21页ppt
专知会员服务
78+阅读 · 2021年6月21日
【AAAI2021 Tutorial】工业界负责任的人工智能,262页ppt
专知会员服务
114+阅读 · 2021年2月7日
专知会员服务
168+阅读 · 2020年8月26日
【NeurIPS2019报告推荐】公平与表示学习—UIUC Sanmi Koyejo教授
微信扫码咨询专知VIP会员