异质信息网络的公平表示学习
人工智能
2021-04-20 v1
摘要
近来，人工智能的社会影响尤其是其公平性关切受到大量关注。越来越多研究已识别出不公平的人工智能系统并提出去偏方法，但许多挑战依然存在。异质信息网络(HINs)的表示学习是复杂网络挖掘中的基础构件，具有诸如自动化职业咨询等社会后果严重的应用，但极少有尝试确保其不会编码或放大有害偏见，例如就业市场中的性别歧视。为填补此空白，本文提出一套全面的HINs公平表示学习去偏方法，包括基于采样、基于投影和基于图神经网络(GNNs)的技术。我们系统研究这些算法的表现，特别是其在公平性与预测精度间权衡的能力。我们在自动化职业咨询应用中评估所提方法的性能，其中我们缓解了职业推荐中的性别偏见。基于在两个数据集上的评估结果，我们确定了不同条件下最有效的公平HINs表示学习技术。
引用
@article{arxiv.2104.08769,
title = {Fair Representation Learning for Heterogeneous Information Networks},
author = {Ziqian Zeng and Rashidul Islam and Kamrun Naher Keya and James Foulds and Yangqiu Song and Shimei Pan},
journal= {arXiv preprint arXiv:2104.08769},
year = {2021}
}
备注
Accepted at ICWSM 2021