通过解耦增强无监督图异常检测的公平性
机器学习
2025-03-04 v2 计算机与社会
社会与信息网络
摘要
图异常检测（GAD）在从金融欺诈检测到假新闻检测等各种应用中日益重要。然而，当前的GAD方法在很大程度上忽视了公平性问题，这可能导致针对基于敏感属性（如性别、宗教、种族等）定义的某些人口群体的歧视性决策。鉴于社会和伦理限制，这极大地限制了这些方法在现实场景中的适用性。为了解决这一关键空白，我们首次尝试在GAD决策中整合公平性与效用。具体来说，我们在属性图上设计了一种新颖的基于解耦的公平感知异常检测框架，名为DEFEND。DEFEND首先在GNN中引入解耦，以捕获信息丰富但敏感无关的节点表示，有效减少图表示学习中固有的社会偏见。此外，为了减轻评估异常节点时的歧视性偏见，DEFEND采用基于重建的异常检测，该方法仅关注节点属性而不包含任何图结构。另外，鉴于输入与敏感属性之间的内在关联，DEFEND约束了重建误差与预测敏感属性之间的相关性。我们在真实世界数据集上的实证评估表明，DEFEND在GAD中表现有效，并且与最先进的基线相比显著增强了公平性。为促进可重复性，我们的代码可在https://github.com/AhaChang/DEFEND获取。
引用
@article{arxiv.2406.00987,
title = {Enhancing Fairness in Unsupervised Graph Anomaly Detection through Disentanglement},
author = {Wenjing Chang and Kay Liu and Philip S. Yu and Jianjun Yu},
journal= {arXiv preprint arXiv:2406.00987},
year = {2025}
}
备注
Accepted to TMLR. Code available at https://github.com/AhaChang/DEFEND