FairACE：通过对比学习与对抗训练实现图神经网络中的度分布公平性
机器学习
2025-04-16 v2 人工智能
社会与信息网络
机器学习
摘要
在图神经网络（GNN）中，由于度偏差常导致不同节点在预测性能上不均衡，公平性成为重要挑战。现有 GNN 模型聚焦于预测精度，常忽视不同节点度组间的公平性。为此，我们提出一种新型 GNN 框架，即 Fairness-Aware Asymmetric Contrastive Ensemble（FairACE），集成非对称对比学习与对抗训练，以提升度分布公平性。FairACE 捕获一跳局部邻域信息和两跳单向类比相似性，以创建更公平的节点表示，并引入度公平正则器以平衡高度与低度节点的性能。在模型训练过程中，提出一种新型组别平衡公平损失，以最小化不同度组间的分类差异。此外，我们还提出一种新型公平指标——准确率分布差距（Accuracy Distribution Gap, ADG），用于定量评估不同基于节点度的组别间的公平性能。实验结果表明，FairACE 在保持与当前最先进 GNN 模型相当的精度的同时，显著提升了度公平性指标。
引用
@article{arxiv.2504.09210,
title = {FairACE: Achieving Degree Fairness in Graph Neural Networks via Contrastive and Adversarial Group-Balanced Training},
author = {Jiaxin Liu and Xiaoqian Jiang and Xiang Li and Bohan Zhang and Jing Zhang},
journal= {arXiv preprint arXiv:2504.09210},
year = {2025}
}