图神经网络用于节点分类时的差异、不平等与精度权衡
机器学习
2023-08-21 v1 计算机与社会
社会与信息网络
摘要
图神经网络（GNNs）日益用于关键人类应用中，以预测属性图中节点的标签。其从节点邻居聚合特征以实现准确分类的能力，也可能加剧数据中已有的偏见，或针对受保护人口群体成员引入新的偏见。因此，量化 GNNs 可能存在的偏见及其有害影响可在多大程度上被缓解至关重要。为此，我们提出两种新的与 GNN 无关的干预方法，即（i）PFR-AX，其降低受保护与未受保护群体节点间的可分离性；以及（ii）PostProcess，其基于黑盒策略更新模型预测以最小化不同人口群体间错误率的差异。通过在四个数据集上的大量实验，我们从算法公平性与精度的权衡角度阐述了我们的方法（及三种变体）的有效性，并将结果与三种最先进 GNN 模型上的三种强基线干预进行基准比较。我们的结果表明，没有单一干预能提供普遍最优的权衡，但 PFR-AX 与 PostProcess 提供了细粒度控制，并在正确预测受保护群体节点正向结果时提升了模型置信度。
引用
@article{arxiv.2308.09596,
title = {Disparity, Inequality, and Accuracy Tradeoffs in Graph Neural Networks for Node Classification},
author = {Arpit Merchant and Carlos Castillo},
journal= {arXiv preprint arXiv:2308.09596},
year = {2023}
}
备注
Accepted to CIKM 2023