BiaScope：面向图嵌入的视觉不公平性诊断工具
人机交互
2022-10-18 v1 计算机与社会
图形学
社会与信息网络
摘要
机器学习模型中的偏差（即系统性不公平）问题近来引起了研究人员与从业者的关注。尤其对于图挖掘领域，实现算法公平性的一个重要目标是检测并缓解融入图嵌入中的偏差，因为图嵌入常用于以人为中心的应用，例如社交媒体推荐。然而，检测偏差的简单分析方法通常涉及聚合统计，无法揭示不公平性的来源。相反，视觉方法可提供图嵌入公平性的整体刻画，并有助于揭示观测偏差的成因。本工作中，我们提出 BiaScope，一个支持图嵌入端到端视觉不公平性诊断的交互式可视化工具。该工具是与领域专家协作设计研究的产物。它允许用户（i）在公平性方面视觉比较两个嵌入，（ii）定位被不公平嵌入的节点或图社区，以及（iii）通过将相关嵌入子空间与对应图拓扑交互式关联来理解偏差来源。专家反馈证实我们的工具在检测和诊断不公平性上有效。因此，我们展望该工具既可作为研究人员设计算法的辅助工具，也可作为使用现成图嵌入的从业者的指南。
引用
@article{arxiv.2210.06417,
title = {BiaScope: Visual Unfairness Diagnosis for Graph Embeddings},
author = {Agapi Rissaki and Bruno Scarone and David Liu and Aditeya Pandey and Brennan Klein and Tina Eliassi-Rad and Michelle A. Borkin},
journal= {arXiv preprint arXiv:2210.06417},
year = {2022}
}
备注
Accepted to VDS at IEEE VIS 2022