面向节点级图异常检测的自编码器公平性增强
机器学习
2025-08-15 v1 人工智能
机器学习
摘要
图异常检测（GAD）已成为跨多个领域的重要任务。随着图神经网络（GNN）的快速发展，GAD方法取得了显著的性能提升。然而，GAD领域的公平性考虑仍 largely 未被充分探讨。事实上，基于GNN的GAD模型可能继承并放大训练数据中存在的偏差，导致不公平的结果。虽然已有努力集中于开发公平的GNN，但大多数方法针对节点分类任务，模型常依赖简单层级结构，而非用于异常检测最广泛使用的自编码器结构。为了解决基于自编码器的GAD模型中的公平性问题，我们提出了Disentangled Counterfactual Adversarial Fair（DECAF）-GAD框架，在保持GAD性能的同时缓解偏差。具体而言，我们引入结构因果模型（SCM）来分离敏感属性与学习表示。基于此因果框架，我们构建了专用的自编码器架构 along with a fairness-guided loss function。通过在合成数据和真实数据集上的大量实验，我们展示了DECAF-GAD不仅在异常检测性能方面具有竞争力，而且在公平性指标上显著优于基线GAD方法。我们的代码可在https://github.com/Tlhey/decaf_code获取。
引用
@article{arxiv.2508.10785,
title = {Enhancing Fairness in Autoencoders for Node-Level Graph Anomaly Detection},
author = {Shouju Wang and Yuchen Song and Sheng'en Li and Dongmian Zou},
journal= {arXiv preprint arXiv:2508.10785},
year = {2025}
}
备注
Accepted in ECAI-2025