通过双层去偏实现图无学习中的群体公平性
机器学习
2025-05-16 v1
摘要
图无学习是保护用户隐私擦除用户数据对训练图模型影响的关键方法。近期的图无学习方法主要聚焦于维持模型预测性能的同时移除用户信息。然而我们注意到，当用户信息从模型中被删除时，不同敏感群体之间的预测分布常常发生变化。此外，图模型容易放大偏见，这使得在图无学习中研究公平性尤为重要。这引出一个问题：图无学习是否实际引入偏见？我们的发现表明，事后无学习模型的预测与敏感属性高度相关，确认了图无学习过程中引入偏见的事实。为解决此问题，我们提出了一种公平图无学习方法 FGU。为保证隐私，FGU在分区子图上训练分片模型，从相应子图中擦除请求的数据，并在修改后的子图上重新训练分片模型。为确保公平性，FGU采用双层去偏过程：首先通过在分片模型 retraining 中引入公平性正则化实现分片层级公平性，然后通过对齐所有分片模型以最小化全局差异实现全局层级公平性。我们的实验表明，FGU在保持隐私和准确性的同时实现了卓越的公平性。此外，FGU对多样化的无学习请求具有鲁棒性，确保了在各种数据分布下的数据公平性和实用性。
引用
@article{arxiv.2505.09702,
title = {Enabling Group Fairness in Graph Unlearning via Bi-level Debiasing},
author = {Yezi Liu and Prathyush Poduval and Wenjun Huang and Yang Ni and Hanning Chen and Mohsen Imani},
journal= {arXiv preprint arXiv:2505.09702},
year = {2025}
}