面向图神经网络公平性的对抗攻击
机器学习
2024-03-05 v2
摘要
公平性感知图神经网络（GNN）因能降低图应用中对任意人口群体（如女性）预测的偏差而受到广泛关注。尽管这些方法大幅改善了 GNN 的算法公平性，但其公平性易被精心设计的对抗攻击破坏。本文研究 GNN 公平性的对抗攻击问题，并提出 G-FairAttack，一种在公平性方面攻击各类公平性感知 GNN 且对预测效用影响不易察觉的通用框架。此外，我们提出一种快速计算技术以降低 G-FairAttack 的时间复杂度。实验研究表明，G-FairAttack 成功破坏了不同类型 GNN 的公平性，同时保持攻击不易察觉。我们对公平性攻击的研究揭示了公平性感知 GNN 的潜在漏洞，并为进一步研究 GNN 在公平性方面的鲁棒性提供指导。
引用
@article{arxiv.2310.13822,
title = {Adversarial Attacks on Fairness of Graph Neural Networks},
author = {Binchi Zhang and Yushun Dong and Chen Chen and Yada Zhu and Minnan Luo and Jundong Li},
journal= {arXiv preprint arXiv:2310.13822},
year = {2024}
}
备注
Accepted at ICLR 2024