自适应双提示：面向公平感知图神经网络的层次化去偏
机器学习
2025-10-28 v1
摘要
近年来，通过对无标签图数据进行自监督学习来预训练图神经网络(GNN)已成为图学习中广泛采用的范式。尽管该范式对于预训练强大的GNN模型有效，但预训练与下游任务之间通常存在目标差距。为弥合这一差距，图提示方法通过额外的可学习提示将预训练GNN模型适配到特定下游任务，同时保持预训练GNN模型冻结。由于最近的图提示方法主要关注提升模型在下游任务上的效用，它们在设计适配提示时常常忽视公平性问题。事实上，预训练GNN模型会在不同人口统计子组之间产生有偏的节点表示，因为下游图数据在节点属性和图结构中固有地包含偏差。为解决此问题，我们提出了一种自适应双提示(ADPrompt)框架，该框架在将预训练GNN模型适配到下游任务时增强了公平性。为缓解属性偏差，我们设计了一个自适应特征修正模块，该模块学习定制的属性提示以在输入层抑制敏感信息，从而从源头减少偏差。之后，我们提出一个自适应消息校准模块，该模块在每一层生成结构提示，以调整来自邻居节点的消息，实现对信息流的动态和软校准。最后，ADPrompt联合优化这两个提示模块，以在增强公平性的同时适配预训练GNN。我们在四个数据集上使用四种预训练策略进行了大量实验，以评估ADPrompt的性能。结果表明，我们提出的ADPrompt在节点分类任务上优于七种基线方法。
引用
@article{arxiv.2510.23469,
title = {Adaptive Dual Prompting: Hierarchical Debiasing for Fairness-aware Graph Neural Networks},
author = {Yuhan Yang and Xingbo Fu and Jundong Li},
journal= {arXiv preprint arXiv:2510.23469},
year = {2025}
}