分析图神经网络中采样对个体公平性的影响
机器学习
2022-09-12 v2 人工智能
计算机与社会
摘要
基于图神经网络（GNN）的方法已在推荐系统领域趋于饱和。这些系统带来的收益显著，展示了通过网络结构解读数据的优势。然而，尽管在推荐任务中使用图结构具有明显益处，这种表示形式也带来了新的挑战，加剧了缓解算法偏见的复杂性。当 GNN 被集成到下游任务（如推荐）中时，偏见缓解可能变得更加困难。此外，将现有的公平性提升方法应用于大型真实世界数据集的难处理性，对缓解尝试施加了更严格的限制。我们的工作旨在填补这一空白：采用一种在图上提升个体公平性的现有方法，并将其扩展以支持 GNN 的小批量或基于子采样的训练，从而为将该 method 应用于下游推荐任务奠定基础。我们评估了两种流行的 GNN 方法：在整张图上训练的图卷积网络（GCN），以及使用概率随机游走创建子图以进行小批量训练的 GraphSAGE，并评估了子采样对个体公平性的影响。我们实现了由 Dong 等人提出的称为 REDRESS 的个体公平性概念，其使用排序优化来学习个体公平的节点或物品嵌入。我们在两个真实世界数据集上实证表明，与 GCN 模型相比，GraphSAGE 不仅能够达到可比的准确率，而且实现了更好的公平性。这些发现对个体公平性提升、GNN 以及下游形式的推荐系统具有重大影响，表明小批量训练通过让局部细微差异引导表示学习中的公平性提升过程，从而促进了个体公平性的提升。
引用
@article{arxiv.2209.03904,
title = {Analyzing the Effect of Sampling in GNNs on Individual Fairness},
author = {Rebecca Salganik and Fernando Diaz and Golnoosh Farnadi},
journal= {arXiv preprint arXiv:2209.03904},
year = {2022}
}