面向属性缺失图的公平属性补全
机器学习
2023-09-01 v3 人工智能
摘要
解决图学习模型中的不公平性是一项具有挑战性的任务，因为图上的不公平性问题同时涉及属性和拓扑结构。现有的公平图学习工作简单地假设所有节点的属性均可用于模型训练，进而做出公平预测。然而在实践中，由于数据缺失或隐私问题，部分节点的属性可能无法获取，这使得公平图学习更具挑战性。本文提出 FairAC，一种公平属性补全方法，用于补全缺失信息并为属性缺失的图学习公平的节点嵌入。FairAC 采用注意力机制处理属性缺失问题，同时缓解两类不公平性，即来自属性的特征不公平性和由属性补全导致的拓扑不公平性。FairAC 可作用于各类同构图并为其生成公平嵌入，因此可应用于大多数下游任务以提升其公平性表现。据我们所知，FairAC 是首个联合解决图属性补全与图不公平性问题的办法。在基准数据集上的实验结果表明，与最先进的公平图学习方法相比，我们的方法在准确性牺牲更小的情况下取得了更好的公平性表现。代码见：https://github.com/donglgcn/FairAC。
引用
@article{arxiv.2302.12977,
title = {Fair Attribute Completion on Graph with Missing Attributes},
author = {Dongliang Guo and Zhixuan Chu and Sheng Li},
journal= {arXiv preprint arXiv:2302.12977},
year = {2023}
}