通过灵敏属性解缝实现图表示学习的公平性
机器学习
2024-05-14 v1 计算机与社会
摘要
图神经网络（GNN）的组公平性强调算法决策不偏袒或伤害由敏感属性（如种族和性别）定义的某些群体。为实现这一目标，现有大多数方法通过消除节点表示或算法决策中的敏感属性信息来实现。然而，这些方法可能也会消除与敏感属性本质相关的任务相关信息，从而导致效用损失。本文聚焦于在保持任务相关信息的同时提高GNN的公平性，提出一种名为FairSAD的公平GNN框架。FairSAD通过敏感属性解缝（SAD）来增强GNN的公平性，将敏感属性相关信息分离为独立成分以减轻其影响。此外，FairSAD利用通道遮蔽机制来自适应识别敏感属性相关成分并随后对其进行解相关。总体而言，FairSAD最小化了敏感属性对GNN结果的影响，而非消除敏感属性，从而保留了与敏感属性相关的任务信息。此外，在几个真实数据集上的实验表明，FairSAD在公平性和效用性能方面显著优于其他最新方法。我们的源代码已公开于https://github.com/ZzoomD/FairSAD。
引用
@article{arxiv.2405.07011,
title = {Fair Graph Representation Learning via Sensitive Attribute Disentanglement},
author = {Yuchang Zhu and Jintang Li and Zibin Zheng and Liang Chen},
journal= {arXiv preprint arXiv:2405.07011},
year = {2024}
}
备注
Accepted by WWW 2024