基于有限人口统计信息的公平图表示学习
机器学习
2025-12-29 v3 计算机与社会
摘要
确保图神经网络的公平性是促进可信赖和社会负责机器学习系统的基本要求。为此，近年来提出了众多公平图学习方法。然而，这些方法大多假设能够获取完整的人口统计信息，而这在实际应用中因隐私、法律或监管限制而难以实现。为此，本文提出一种新型公平图学习框架，在人口统计信息有限的条件下减轻图学习中的偏见。具体而言，我们提出一种基于部分人口统计数据生成人口统计信息代理的机制，并设计一种策略，在不同人口统计组成之间强制一致的节点嵌入。在此基础上，我们开发了一种自适应置信度策略，动态调整每个节点对公平性和实用性贡献的权重。我们进一步提供了理论分析，表明该框架 FairGLite 在群体公平性指标上具有可证明的上界，为偏见缓解提供了形式保证。通过在多个数据集和公平图学习框架上的大量实验，我们展示了该框架在减轻偏见和维持模型实用性方面的有效性。
引用
@article{arxiv.2511.13540,
title = {Fairness-Aware Graph Representation Learning with Limited Demographic Information},
author = {Zichong Wang and Zhipeng Yin and Liping Yang and Jun Zhuang and Rui Yu and Qingzhao Kong and Wenbin Zhang},
journal= {arXiv preprint arXiv:2511.13540},
year = {2025}
}