FairGSE: 基于结构熵的公平性感知图神经网络
机器学习
2025-11-18 v1
摘要
图神经网络（GNN）因其有效的消息聚合能力而成为图表示学习的主流范式。然而，这一优势也放大了图拓扑中固有的偏见，引发公平性 concerns。现有的公平性感知GNN在保持可接受精度权衡的同时，提供了满意的公平性指标（如统计比例和平等机会）。然而，我们注意到，这些方法在追求公平性指标时忽略了GNN对负标签预测的能力，导致其预测的假阳性率（FPR）异常高，在高风险场景中产生负面影响。为此，我们主张在提高公平性时应仔细校准分类性能，而非仅约束精度损失。进一步，我们提出Fair GNN via Structural Entropy（FairGSE），一种新型框架，通过最大化二维结构熵（2D-SE）来提升公平性而不忽视假阳性。实验在多个真实数据集上表明，FairGSE相对于最先进的公平性感知GNN将FPR降低39%，同时实现了可比的公平性改进。
引用
@article{arxiv.2511.12132,
title = {FairGSE: Fairness-Aware Graph Neural Network without High False Positive Rates},
author = {Zhenqiang Ye and Jinjie Lu and Tianlong Gu and Fengrui Hao and Xuemin Wang},
journal= {arXiv preprint arXiv:2511.12132},
year = {2025}
}
备注
AAAI 2026