基于自适应数据增强的公平节点表示学习

节点表示学习已在图上的各类应用中展现出其有效性，从而引发了该领域日益增长的关注。然而，公平性在该领域中很大程度上仍属未被充分探索的领地，这可能导致后续任务中对代表性不足群体的偏向结果。为此，本文从理论层面解释了通过图神经网络（GNNs）获得的节点表示中偏见的来源。我们的分析表明，节点特征与图结构均会导致所得表示中的偏见。基于该分析，我们发展了针对节点特征与图结构的公平性感知数据增强框架，以降低固有偏见。我们的分析与所提方案可便捷地用于增强各类基于 GNN 的学习机制的公平性。在图对比学习背景下，我们在真实网络上对节点分类与链接预测进行了大量实验。与多个基准方法的比较表明，所提出的增强策略能在统计均等（statistical parity）与机会均等（equal opportunity）方面改善公平性，同时提供与最先进对比方法相当效用。