FairNorm：公平且快速的图神经网络训练
机器学习
2022-05-23 v1
摘要
图神经网络（GNNs）已被证明在多项基于图的学习任务上达到最先进水平，这导致其在各个领域的应用日益增多。然而，已有研究表明，GNNs 可能会继承甚至放大训练数据中的偏差，从而对某些敏感群体产生不公平的结果。同时，GNNs 的训练还带来了额外的挑战，例如收敛缓慢以及可能的不稳定性。面对这些局限，本文提出 FairNorm，一个统一的归一化框架，可在减少基于 GNN 的学习中偏差的同时，提供可证明的更快收敛。具体而言，FairNorm 在不同敏感群体上采用具有可学习参数的公平性感知归一化算子来减少 GNNs 中的偏差。FairNorm 的设计建立在对基于图的学习中偏差来源的分析之上。在真实世界网络上的节点分类实验表明，与公平性感知基线相比，所提方案在统计奇偶性和机会均等方面改善公平性方面是高效的。此外，经验表明，与未采用归一化的朴素基线相比，所提框架可带来更快的收敛。
引用
@article{arxiv.2205.09977,
title = {FairNorm: Fair and Fast Graph Neural Network Training},
author = {O. Deniz Kose and Yanning Shen},
journal= {arXiv preprint arXiv:2205.09977},
year = {2022}
}
备注
23 pages, 1 figures, 6 tables