CAFIN：用于图无监督表示学习的中心性感知公平性诱导预处理方法
机器学习
2024-04-23 v3 人工智能
计算机与社会
摘要
图上的无监督表示学习正获得越来越多的关注，原因在于未标注网络数据日益丰富，且所生成表示具有紧凑、丰富和有用的特点。在此背景下，在生成表示时考虑公平性与偏差约束的需求已在先前工作中得到充分动机阐述与一定程度研究。此类设定下多数先前工作的一个主要局限是，它们未旨在解决由图中连接模式（如变化的节点中心性）所产生的偏差，这导致节点间性能的不均衡。在我们的工作中，我们旨在解决无监督设定下因固有图结构引起的偏差缓解问题。为此，我们提出 CAFIN，一种中心性感知的公平性诱导框架，它利用图的结构信息来调整现有框架生成的表示。我们将其部署于 GraphSAGE（该领域流行框架）上，并在两个下游任务——节点分类与链接预测——上展示了其效能。经验上，CAFIN 在各领域流行数据集上持续降低性能差异（性能差异降低幅度从 18% 到 80% 不等），且仅付出极小的公平性代价。
引用
@article{arxiv.2304.04391,
title = {CAFIN: Centrality Aware Fairness inducing IN-processing for Unsupervised Representation Learning on Graphs},
author = {Arvindh Arun and Aakash Aanegola and Amul Agrawal and Ramasuri Narayanam and Ponnurangam Kumaraguru},
journal= {arXiv preprint arXiv:2304.04391},
year = {2024}
}