图神经网络中公平性感知的消息传递
机器学习
2023-06-21 v1
摘要
图神经网络 (GNNs) 在各个领域已展现出强大的能力。然而,它们的预测可能会继承敏感属性上的社会偏见,从而限制了在现实应用中的采用。尽管已有诸多努力致力于公平 GNNs,现有工作大多只是将机器学习中广泛使用的公平性技术套用到图领域,忽视或未能深入理解带公平性约束的消息传递机制——而这是 GNNs 的显著特征。为填补这一空白,我们提出了一种新颖的公平性感知消息传递框架 GMMD,它源于一个同时考虑图平滑性与表示公平性的优化问题。GMMD 可以直观地解释为:鼓励一个节点聚合来自不同敏感组的其他节点的表示,同时减去来自同一敏感组的其他节点的表示,从而得到公平的表示。我们还提供了理论分析以证明 GMMD 能够保证公平性,并由此导出一个更简单且受理论引导的变体 GMMD-S。在图基准上的大量实验表明,我们提出的框架能在保持高准确率的同时,显著提升多种骨干 GNN 模型的公平性。
引用
@article{arxiv.2306.11132,
title = {Fairness-aware Message Passing for Graph Neural Networks},
author = {Huaisheng Zhu and Guoji Fu and Zhimeng Guo and Zhiwei Zhang and Teng Xiao and Suhang Wang},
journal= {arXiv preprint arXiv:2306.11132},
year = {2023}
}