MARC

 008260203s2023        us                              c    eng  d
■001000017365936
■00520260209102858
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291578094
■035    ▼a(MiAaPQ)AAI32272169
■035    ▼a(MiAaPQ)httphdlhandlenet2142121924
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aKang,  Jian.
■24510▼aAlgorithmic  Foundation  of  Fair  Graph  Mining
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a190  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Tong,  Hanghang.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2023.
■520    ▼aIn  an  increasingly  connected  world,  graph  mining  plays  a  fundamental  role  in  many  real-world  applications,  such  as  financial  fraud  detection,  drug  discovery,  traffic  prediction,  and  so  on.  Years  of  research  in  this  area  have  developed  a  wealth  of  theories,  algorithms,  and  systems  that  are  successful  in  answering  what/who  types  of  questions,  e.g.,  who  is  most  influential  in  a  social  network?  What  item  should  we  recommend  to  a  user?  Despite  the  remarkable  progress  in  graph  mining,  unfairness  often  occurs  in  many  graph  mining  tasks.  As  such,  a  fundamental  question  largely  remains  nascent:  how  can  we  make  graph  mining  process  and  its  results  fair?To  answer  this  question,  it  is  crucial  to  propose  a  paradigm  shift,  from  answering  what  and  who  to  answering  how  and  why.  Four  desired  properties  are  called  for  to  build  an  algorithmic  foundation  of  fair  graph  mining,  including:  utility  that  promises  strong  empirical  performance  in  the  mining  task,  fairness  that  avoids  discriminatory  performances  over  diverse  sensitive  groups  or  individuals,  robustness  that  enhances  the  resilience  toward  noise  or  adversarial  activities  in  the  complex  world,  and  transparency  that  renders  the  accountability  and  explainability  of  graph  mining  algorithms.The  tensions  among  the  desired  properties  require  us  to  address  three  key  challenges,  namely  the  auditing  challenge,  the  debiasing  challenge,  and  the  safeguarding  challenge.  First,  the  auditing  challenge  requires  to  address  the  tension  between  utility  and  transparency  by  understanding  how  the  mining  results  of  a  given  graph  mining  model  relate  to  the  input  graph.  Second,  the  debiasing  challenge  asks  for  balancing  the  trade-off  between  utility  and  fairness  so  as  to  ensure  fairness  on  graph  mining  without  much  sacrifice  on  its  utility.  Third,  the  safeguarding  challenge  connects  utility,  fairness,  robustness,  and  transparency  together,  and  studies  the  tensions  among  them,  which  could  help  the  deployment  of  fair  graph  mining  techniques  in  the  real  world.The  theme  of  my  Ph.D.  research  is  to  build  an  algorithmic  foundation  of  fair  graph  mining  by  developing  computational  models  underpinning  all  three  pillars,  namely  auditing,  debiasing,  and  safeguarding,  to  address  these  key  challenges.  First,  for  auditing,  we  develop  a  family  of  algorithms  Aurora  to  audit  PageRank  algorithm  from  the  edge,  node,  and  subgraph  level,  and  a  generic  algorithmic  framework  N2N  that  audits  a  variety  of  graph  mining  algorithms  from  the  optimization  perspective.  Moreover,  we  develop  JuryGCN,  which  is  the  first  frequentist-based  approach  to  quantify  node  uncertainty  of  graph  convolutional  network  without  any  epoch(s)  of  model  training.  JuryGCN  is  proven  to  be  useful  in  both  active  learning  on  node  classification  and  semi-supervised  node  classification,  and  achieves  the  best  effectiveness  and  lowest  memory  usage  than  the  competitors.  Second,  for  debiasing,  we  offer  the  first  systematic  study  of  individual  fairness  on  graph  mining  (InFoRM),  including  the  measurement,  mitigation  strategies,  and  cost.  We  also  design  a  family  of  algorithms  RawlsGCN  to  debias  degree  unfairness  by  analyzing  its  mathematical  root  cause.  Moreover,  we  ensure  fairness  among  intersectional  groups  from  the  information-theoretic  perspective.  Third,  for  safeguarding,  we  explore  the  adversarial  robustness  of  fair  graph  mining  algorithms  by  attacking  them  with  a  meta  learning-based  attacking  framework  named  Fate.  The  developed  framework  is  broadly  applicable  to  various  fairness  definitions  and  graph  learning  models,  as  well  as  arbitrary  choices  of  manipulation  operations.  We  also  conduct  analysis  on  the  poisoned  edges  to  reveal  edges  with  which  property  would  contribute  most  to  the  bias  amplification  on  graph  neural  networks.
■590    ▼aSchool  code:  0090.
■650  4▼aComputer  science
■650  4▼aEngineering
■650  4▼aBioinformatics
■653    ▼aGraph  mining
■653    ▼aAlgorithmic  fairness
■653    ▼aComputational  models
■653    ▼aGraph  neural  networks
■690    ▼a0984
■690    ▼a0800
■690    ▼a0537
■690    ▼a0715
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365936▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books