FairEGM：基于模拟图修改的公平链接预测与推荐
机器学习
2022-10-21 v2
摘要
随着机器学习在各领域的广泛应用，研究人员和机器学习工程师必须考虑数据中可能被模型放大的固有偏见。最近，许多研究表明，如果输入图存在偏差，图神经网络（GNN）模型也会习得此类偏差，并可能使服务不足和代表性不足的群体处于不利地位。在这项工作中，我们旨在通过联合优化两个不同的损失函数来缓解 GNN 学到的偏差：一个用于链接预测任务，一个用于人口均等待遇任务。我们进一步实现了三种受图修改方法启发的技术：全局公平性优化（GFO）、约束公平性优化（CFO）和公平边加权（FEW）模型。这些技术模拟了在 GNN 内改变底层图结构的效果，并相较于更集成的神经网络方法提供了更强的可解释性。我们提出的模型在训练 GNN 时模拟对输入图的微观或宏观编辑，并学习在链接推荐场景下既准确又公平的节点嵌入。我们在四个真实世界数据集上展示了方法的有效性，表明我们能在链接预测精度损失可忽略的情况下将推荐公平性提升数倍。
引用
@article{arxiv.2201.11596,
title = {FairEGM: Fair Link Prediction and Recommendation via Emulated Graph Modification},
author = {Sean Current and Yuntian He and Saket Gurukar and Srinivasan Parthasarathy},
journal= {arXiv preprint arXiv:2201.11596},
year = {2022}
}
备注
14 pages, 3 figures, 6 tables