面向知识图谱的公平性图神经网络基准测试
机器学习
2025-10-22 v1 人工智能
摘要
图神经网络(GNN)是强大的工具，用于从图结构数据中学习，但常常会产生对敏感属性不公平的预测。公平性感知图神经网络正在积极研究以缓解偏差预测。然而，尚无先前研究在知识图谱上评估公平性感知图神经网络，因为知识图谱是许多应用中最重要的图之一，如推荐系统。因此，我们引入了知识图谱上的公平性图神经网络基准测试研究。我们从YAGO、DBpedia和Wikidata三个知识图谱中生成新的图，这些图的规模远大于公平性研究中使用的现有图数据集。我们对不同GNN主干、早停条件下的inprocessing和preprocessing方法进行基准测试。我们发现几个关键见解：(i)知识图谱显示出与现有数据集不同的趋势;在公平性感知图神经网络中，预测准确性和公平性指标之间存在更清晰的权衡;(ii)性能主要受不仅限于公平性感知图神经网络方法，还受GNN主干和早停条件的影响;(iii)预处理方法常常改善公平性指标，而inprocessing方法提升预测准确性。
引用
@article{arxiv.2510.18473,
title = {Benchmarking Fairness-aware Graph Neural Networks in Knowledge Graphs},
author = {Yuya Sasaki},
journal= {arXiv preprint arXiv:2510.18473},
year = {2025}
}