EDITS：面向图神经网络的数据偏置建模与缓解
机器学习
2022-02-22 v2
摘要
图神经网络（GNNs）在分析社交推荐、网页搜索等各类基于网络的应用中的属性网络时表现出优越性能。然而，在在线欺诈检测等高风险决策场景中，人们日益担忧 GNNs 会对特定人口群体做出歧视性决策。尽管近期已有关于公平 GNNs 的探索，这些工作均针对特定 GNN 模型定制。然而，针对不同应用已提出大量 GNN 变体，为每个特定 GNN 架构微调现有去偏算法代价高昂。与现有对 GNN 模型去偏的工作不同，我们旨在通过对输入属性网络去偏，以通过向 GNNs 提供偏置更小的数据来实现更公平的 GNNs。具体而言，我们提出新颖的定义与度量来量化属性网络中的偏置，并由此导出缓解偏置的优化目标。我们随后开发了框架 EDITS，在保持 GNNs 下游任务性能的同时缓解属性网络中的偏置。EDITS 以模型无关的方式工作，即其独立于任何特定 GNN。实验证明了所提偏置度量的有效性以及 EDITS 在偏置缓解与效用保持上的优越性。开源实现：https://github.com/yushundong/EDITS。
引用
@article{arxiv.2108.05233,
title = {EDITS: Modeling and Mitigating Data Bias for Graph Neural Networks},
author = {Yushun Dong and Ninghao Liu and Brian Jalaian and Jundong Li},
journal= {arXiv preprint arXiv:2108.05233},
year = {2022}
}
备注
Published at The Web Conference 2022 (WWW 2022)