解构、放大与去偏置：用于公平图神经网络的表示解耦学习
机器学习
2025-01-08 v2 社会与信息网络
摘要
图神经网络 (GNN) 已成为图表示学习在社交媒体和医疗等多个领域中不可或缺的工具。然而，它们常因节点属性和图结构中的内在偏见而产生公平性问题，导致预测结果不公平。为此，我们提出一种新型图神经网络框架 DAB-GNN，通过解构、放大和去偏置 (Disentangle, Amplify, and deBias) 来处理图神经网络机制中的属性、结构和潜在偏见。DAB-GNN 采用解构与放大模块，通过专门的解构器隔离并放大每种偏见类型，随后通过去偏置模块最小化子群分布之间的距离。在五个数据集上的大量实验表明，DAB-GNN 在实现准确性与公平性最佳平衡方面显著优于十个最先进的竞争方法。DAB-GNN 的代码已发布于 https://github.com/Bigdasgit/DAB-GNN。
引用
@article{arxiv.2408.12875,
title = {Disentangling, Amplifying, and Debiasing: Learning Disentangled Representations for Fair Graph Neural Networks},
author = {Yeon-Chang Lee and Hojung Shin and Sang-Wook Kim},
journal= {arXiv preprint arXiv:2408.12875},
year = {2025}
}
备注
Accepted by AAAI 2025