FairMILE：面向高效公平图表示学习框架
机器学习
2023-10-19 v3 计算机与社会
摘要
图表示学习模型已在许多现实应用中展现出强大能力。然而，先前研究表明这些模型会学到有偏表示从而导致歧视性结果。已有少量工作被提出以缓解图表示中的偏差。但大多数现有工作训练和微调需要极高的时间与计算资源。为此，我们研究高效公平图表示学习问题并提出一种新框架 FairMILE。FairMILE 是一种多级范式，能在强制公平性和保持效用的同时高效学习图表示。它可与任何无监督嵌入方法结合并容纳多种公平性约束。跨不同下游任务的大量实验表明，FairMILE 在运行时间上显著优于最先进的基线，同时实现了公平性与效用之间更优的权衡。
引用
@article{arxiv.2211.09925,
title = {FairMILE: Towards an Efficient Framework for Fair Graph Representation Learning},
author = {Yuntian He and Saket Gurukar and Srinivasan Parthasarathy},
journal= {arXiv preprint arXiv:2211.09925},
year = {2023}
}