对抗性缺失过程下的公平图机器学习
机器学习
2026-01-30 v5
摘要
图神经网络（GNNs）在许多相关任务中取得了最先进的结果，而这些任务中的决策可能对特定群体产生不成比例的影响。然而，现有关于公平 GNN 的工作通常假设敏感属性被完全观测，或完全随机缺失。我们表明，对抗性缺失过程可通过插补无意中掩盖一个公平模型，导致模型高估其预测的公平性。我们通过提出 Better Fair than Sorry（BFtS）——一种用于敏感属性的公平缺失数据插补模型——来应对这一挑战。BFtS 背后的关键原则是，插补应逼近公平性的最坏情形——即当优化公平性最为困难时。我们使用一个三玩家对抗方案实现该思想，其中两个对手协作对抗一个 GNN 分类器，而分类器最小化最大偏差。使用合成和真实数据集的实验表明，在对抗性缺失过程下，BFtS 通常比现有替代方案取得更好的公平性×准确率权衡。
引用
@article{arxiv.2311.01591,
title = {Fair Graph Machine Learning under Adversarial Missingness Processes},
author = {Debolina Halder Lina and Arlei Silva},
journal= {arXiv preprint arXiv:2311.01591},
year = {2026}
}