丢弃边并自适应：一种用于图神经网络公平性保障的微调方法
机器学习
2023-02-23 v1 机器学习
摘要
图表示学习作为许多不同网络科学任务的主要解决方案的兴起，引发了人们对这类方法公平性的浓厚兴趣。尤其是链接预测具有重大的社会影响。然而，链接预测算法往往通过不利于特定人口群体间个体的链接来加剧社交网络中的隔离。本文提出了一种通过微调策略在图神经网络上强制实现公平性的新方法。我们丢弃不公平边，同时使模型参数适应这些修改，简称 DEA。我们引入了两个专为链接预测任务显式设计的基于协方差的约束。我们利用这些约束来指导负责学习新的“公平”邻接矩阵的优化过程。DEA 的一个新颖之处在于，我们的微调可以使用离散但可学习的邻接矩阵。我们在五个真实世界数据集上证明了我们方法的有效性，并表明我们能够同时提升链接预测任务的准确性与公平性。此外，我们进行了深入的消融研究，表明我们用于邻接矩阵的训练算法可在训练期间用于提升链接预测性能。最后，我们计算了框架各组件的相关性，表明约束与邻接矩阵训练的结合带来了最优性能。
引用
@article{arxiv.2302.11479,
title = {Drop Edges and Adapt: a Fairness Enforcing Fine-tuning for Graph Neural Networks},
author = {Indro Spinelli and Riccardo Bianchini and Simone Scardapane},
journal= {arXiv preprint arXiv:2302.11479},
year = {2023}
}