Buchumschlag

Comparing Methods for Bias Mitigation in Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hoffmann, Barbara, Mayer, Ruben
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Vision Paper: Designing Graph Neural Networks in Compliance with the European Artificial Intelligence Act
von: Hoffmann, Barbara, et al.
Veröffentlicht: (2024)

Mitigating Degree Bias in Signed Graph Neural Networks
von: He, Fang, et al.
Veröffentlicht: (2024)

NeuBM: Mitigating Model Bias in Graph Neural Networks through Neutral Input Calibration
von: Gu, Jiawei, et al.
Veröffentlicht: (2025)

Can Graph Reordering Speed Up Graph Neural Network Training? An Experimental Study
von: Merkel, Nikolai, et al.
Veröffentlicht: (2024)

On Mitigating Affinity Bias through Bandits with Evolving Biased Feedback
von: Faw, Matthew, et al.
Veröffentlicht: (2025)

Choosing a Classical Planner with Graph Neural Networks
von: Vatter, Jana, et al.
Veröffentlicht: (2024)

EmbedPart: Embedding-Driven Graph Partitioning for Scalable Graph Neural Network Training
von: Merkel, Nikolai, et al.
Veröffentlicht: (2026)

An Experimental Comparison of Partitioning Strategies for Distributed Graph Neural Network Training
von: Merkel, Nikolai, et al.
Veröffentlicht: (2023)

WaveGAS: Waveform Relaxation for Scaling Graph Neural Networks
von: Vatter, Jana, et al.
Veröffentlicht: (2025)

Exploring Topological Bias in Heterogeneous Graph Neural Networks
von: Zhang, Yihan
Veröffentlicht: (2025)

Mitigating Bias in Graph Hyperdimensional Computing
von: Liu, Yezi, et al.
Veröffentlicht: (2025)

Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification
von: Liang, Langzhang, et al.
Veröffentlicht: (2025)

Sketch-Augmented Features Improve Learning Long-Range Dependencies in Graph Neural Networks
von: Hosseini, Ryien, et al.
Veröffentlicht: (2025)

DMGNN: Detecting and Mitigating Backdoor Attacks in Graph Neural Networks
von: Sui, Hao, et al.
Veröffentlicht: (2024)

Mitigating the Structural Bias in Graph Adversarial Defenses
von: Fang, Junyuan, et al.
Veröffentlicht: (2025)

Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions
von: Giusti, Lorenzo
Veröffentlicht: (2024)

Can Test-time Computation Mitigate Reproduction Bias in Neural Symbolic Regression?
von: Sato, Shun, et al.
Veröffentlicht: (2025)

Graph Neural Networks with Coarse- and Fine-Grained Division for Mitigating Label Sparsity and Noise
von: Li, Shuangjie, et al.
Veröffentlicht: (2024)

Scalable Quantum Error Mitigation with Physically Informed Graph Neural Networks
von: Wang, Huaxin, et al.
Veröffentlicht: (2026)

Mitigating Overfitting in Graph Neural Networks via Feature and Hyperplane Perturbation
von: Choi, Yoonhyuk, et al.
Veröffentlicht: (2022)

Hyperbolic Graph Neural Networks: A Review of Methods and Applications
von: Yang, Menglin, et al.
Veröffentlicht: (2022)

Theoretical and Empirical Insights into the Origins of Degree Bias in Graph Neural Networks
von: Subramonian, Arjun, et al.
Veröffentlicht: (2024)

GRAPPA -- A Hybrid Graph Neural Network for Predicting Pure Component Vapor Pressures
von: Hoffmann, Marco, et al.
Veröffentlicht: (2025)

Faster ISNet for Background Bias Mitigation on Deep Neural Networks
von: Bassi, Pedro R. A. S., et al.
Veröffentlicht: (2024)

A Graph Laplacian Eigenvector-based Pre-training Method for Graph Neural Networks
von: Dai, Howard, et al.
Veröffentlicht: (2025)

Comparing Spectral Bias and Robustness For Two-Layer Neural Networks: SGD vs Adaptive Random Fourier Features
von: Kammonen, Aku, et al.
Veröffentlicht: (2024)

Explaining the Explainers in Graph Neural Networks: a Comparative Study
von: Longa, Antonio, et al.
Veröffentlicht: (2022)

BetaExplainer: A Probabilistic Method to Explain Graph Neural Networks
von: Sloneker, Whitney, et al.
Veröffentlicht: (2024)

Trustworthy Graph Neural Networks: Aspects, Methods and Trends
von: Zhang, He, et al.
Veröffentlicht: (2022)

Object-Pose Estimation With Neural Population Codes
von: Hoffmann, Heiko, et al.
Veröffentlicht: (2025)

Phrase-Level Adversarial Training for Mitigating Bias in Neural Network-based Automatic Essay Scoring
von: Philip, Haddad, et al.
Veröffentlicht: (2024)

Networked Inequality: Preferential Attachment Bias in Graph Neural Network Link Prediction
von: Subramonian, Arjun, et al.
Veröffentlicht: (2023)

Different Horses for Different Courses: Comparing Bias Mitigation Algorithms in ML
von: Ganesh, Prakhar, et al.
Veröffentlicht: (2024)

Graph Coordinates and Conventional Neural Networks -- An Alternative for Graph Neural Networks
von: Qin, Zheyi, et al.
Veröffentlicht: (2023)

Improving Line Search Methods for Large Scale Neural Network Training
von: Kenneweg, Philip, et al.
Veröffentlicht: (2024)

Physics-Informed Graph Neural Networks for Water Distribution Systems
von: Ashraf, Inaam, et al.
Veröffentlicht: (2024)

Parametric Encoding with Attention and Convolution Mitigate Spectral Bias of Neural Partial Differential Equation Solvers
von: Shishehbor, Mehdi, et al.
Veröffentlicht: (2024)

A Critical Review of Predominant Bias in Neural Networks
von: Li, Jiazhi, et al.
Veröffentlicht: (2025)

SCISSOR: Mitigating Semantic Bias through Cluster-Aware Siamese Networks for Robust Classification
von: Yang, Shuo, et al.
Veröffentlicht: (2025)

The Road to Learning Explainable Inverse Kinematic Models: Graph Neural Networks as Inductive Bias for Symbolic Regression
von: Pandey, Pravin, et al.
Veröffentlicht: (2025)