非独立同分布图数据上的因果公平节点分类
机器学习
2025-05-06 v1 人工智能
摘要
公平机器学习旨在识别并减轻针对由人口统计属性（如种族和性别）表征的不利人群的预测偏差。近期，一些工作已将公平性扩展到图数据（如社交网络），但大多数忽略了数据实例间的因果关系。本文解决了公平性感知机器学习算法中普遍存在的挑战，这些算法通常假设数据是独立同分布（IID）的。我们处理了被忽视的非独立同分布、基于图的设置领域，其中数据实例相互连接，影响着公平干预的结果。我们的研究基于网络结构因果模型（NSCM）框架，并提出了两个主要假设：可分解性和图独立性，这使得能够使用 -演算在非独立同分布设置中计算干预分布。在此基础上，我们开发了用于因果推断的消息传递变分自编码器（MPVA），以计算干预分布，并通过估计的干预分布促进因果公平的节点分类。在半合成和真实世界数据集上的实证评估表明，MPVA 通过有效近似干预分布和减轻偏差，优于传统方法。我们的发现强调了基于因果关系的公平性在复杂机器学习应用中的潜力，为进一步研究放宽初始假设以增强模型公平性奠定了基础。
引用
@article{arxiv.2505.01652,
title = {Causally Fair Node Classification on Non-IID Graph Data},
author = {Yucong Dai and Lu Zhang and Yaowei Hu and Susan Gauch and Yongkai Wu},
journal= {arXiv preprint arXiv:2505.01652},
year = {2025}
}