基于元学习的图上欺骗性公平性攻击
机器学习
2023-10-25 v1 社会与信息网络
机器学习
摘要
我们研究图上的欺骗性公平性攻击，以回答以下问题：我们如何对图学习模型实施投毒攻击，从而以欺骗方式加剧偏见？我们通过一个双层优化问题回答了该问题，并提出了一个基于元学习的框架 FATE。FATE 对于各种公平性定义和图学习模型以及任意选择的操纵操作具有广泛适用性。我们进一步实例化 FATE，以攻击图神经网络上的统计奇偶性和个体公平性。我们在半监督节点分类任务中对真实世界数据集进行了广泛的实验评估。实验结果表明，FATE 能够在保持下游任务效用的同时，放大无论是否考虑公平性的图神经网络的偏见。我们希望本文能为公平图学习的对抗鲁棒性提供见解，并为未来设计鲁棒且公平的图学习提供启示。
引用
@article{arxiv.2310.15653,
title = {Deceptive Fairness Attacks on Graphs via Meta Learning},
author = {Jian Kang and Yinglong Xia and Ross Maciejewski and Jiebo Luo and Hanghang Tong},
journal= {arXiv preprint arXiv:2310.15653},
year = {2023}
}
备注
23 pages, 11 tables