从图平稳数据估计公平图
机器学习
2025-10-10 v1 信号处理
摘要
我们从图平稳节点观测中估计公平图，使得连接不受敏感属性的偏见影响。现实图中的边往往表现出偏好连接特定节点组的倾向。受偏见影响的连接不仅会加剧，甚至会对下游图基任务导致不公平的待遇。因此，我们分别考虑针对组级和节点级定义对应的图的公平性。为评估给定图的公平性，我们提供了多种偏见指标，包括谱域中的新型测度。此外，我们提出了公平谱模板（FairSpecTemp），这是一种基于优化的方法，包含两个变体，用于从平稳图信号估计公平图，这是一种包含许多现有模型的通用图数据模型。FairSpecTemp 的一个变体利用图平稳性的交换性属性，同时直接约束偏见；另一个变体通过限制图谱中的偏见来隐式鼓励公平估计，因此更灵活。我们的方法具有高概率性能界限，揭示了公平性与准确性之间的条件性权衡。特别是，我们的分析表明，仅为恢复公平图而牺牲准确性并非必然。我们在合成数据和真实数据集上评估 FairSpecTemp，以说明其有效性，并突出两种 FairSpecTemp 变体的优势。
关键词
引用
@article{arxiv.2510.07536,
title = {Estimating Fair Graphs from Graph-Stationary Data},
author = {Madeline Navarro and Andrei Buciulea and Samuel Rey and Antonio G. Marques and Santiago Segarra},
journal= {arXiv preprint arXiv:2510.07536},
year = {2025}
}