为联邦图神经网络配备结构感知的群体公平性
机器学习
2024-05-15 v3
摘要
图神经网络（GNN）已广泛应用于不同领域中各类图数据的处理与分析任务。由于隐私问题和监管限制，在集中式图数据上训练GNN可能不可行。因此，联邦学习（FL）成为以分布式学习范式应对该挑战的趋势性方案。然而，由于GNN可能从训练数据中继承历史偏差并导致歧视性预测，在分布式设置下局部模型的偏差很容易传播到全局模型。这给缓解联邦GNN中的偏差带来了新挑战。为应对该挑战，我们提出了F²GNN，一种公平联邦图神经网络（Fair Federated Graph Neural Network），用以增强联邦GNN的群体公平性。由于偏差可源于数据和学习算法两方面，F²GNN旨在联邦设置下缓解这两类偏差。首先，我们提供了关于训练图中数据偏差与训练所得GNN模型统计公平性指标之间联系的理论见解。基于该理论分析，我们设计了F²GNN，其包含两个关键组件：一个公平性感知的局部模型更新方案，在客户端增强局部模型的群体公平性；以及一个公平性加权的全局模型更新方案，在聚合过程中同时考虑局部模型的数据偏差与公平性指标。我们针对若干基线方法对F²GNN进行了实证评估，结果表明F²GNN在公平性与模型精度两方面均优于这些基线。
引用
@article{arxiv.2310.12350,
title = {Equipping Federated Graph Neural Networks with Structure-aware Group Fairness},
author = {Nan Cui and Xiuling Wang and Wendy Hui Wang and Violet Chen and Yue Ning},
journal= {arXiv preprint arXiv:2310.12350},
year = {2024}
}