FairSample：高效训练公平且准确的图卷积神经网络
机器学习
2024-01-29 v1 人工智能
计算机与社会
摘要
随着图卷积神经网络（GCNs）在许多关键应用中被采用，其公平性成为一个越来越重要的关注点。许多现实世界的图中可能存在针对敏感群体的社会偏见。在这些图上训练的 GCNs 可能容易受到此类偏见的影响。在本文中，我们采用广为人知的公平性概念——人口统计均等，并应对高效训练公平且准确的 GCNs 的挑战。我们深入分析了图结构偏见、节点属性偏见和模型参数如何影响 GCNs 的人口统计均等性。我们的见解催生了 FairSample，这是一个联合缓解这三种类型偏见的框架。我们采用两种直观的策略来修正图结构。首先，我们在属于不同敏感群体但节点特征相似的节点之间注入边。其次，为了增强模型公平性并保持模型质量，我们利用强化学习开发了一种可学习的邻居采样策略。为了解决节点特征和模型参数中的偏见，FairSample 辅以一个正则化目标来优化公平性。
引用
@article{arxiv.2401.14702,
title = {FairSample: Training Fair and Accurate Graph Convolutional Neural Networks Efficiently},
author = {Zicun Cong and Shi Baoxu and Shan Li and Jaewon Yang and Qi He and Jian Pei},
journal= {arXiv preprint arXiv:2401.14702},
year = {2024}
}
备注
Accepted by TKDE 2023