FairSIN：通过敏感信息中和实现图神经网络中的公平性
机器学习
2025-05-23 v2 计算机与社会
摘要
尽管图神经网络（GNN）在建模图结构数据方面取得了显著成功，但与其他机器学习模型一样，GNN也容易基于敏感属性（如种族和性别）做出有偏预测。出于公平性考虑，近期最优（SOTA）方法提出从输入或表示中过滤掉敏感信息，例如边丢弃或特征掩蔽。然而，我们认为这种基于过滤的策略也可能过滤掉一些非敏感特征信息，导致预测性能与公平性之间的次优权衡。为解决这一问题，我们揭示了一种创新的基于中和的范式，即在消息传递之前，将额外的公平促进特征（F3）纳入节点特征或表示中。F3预期在统计上中和节点表示中的敏感偏差，并提供额外的非敏感信息。我们还为我们的原理提供了理论解释，得出结论：F3可以通过强调每个节点的异质邻居（具有不同敏感属性的邻居）的特征来实现。我们将我们的方法命名为FairSIN，并从数据中心和模型中心两个角度提出了三种实现变体。在五个基准数据集上使用三种不同GNN骨干网络的实验结果表明，FairSIN在保持高预测准确性的同时，显著改善了公平性指标。
引用
@article{arxiv.2403.12474,
title = {FairSIN: Achieving Fairness in Graph Neural Networks through Sensitive Information Neutralization},
author = {Cheng Yang and Jixi Liu and Yunhe Yan and Chuan Shi},
journal= {arXiv preprint arXiv:2403.12474},
year = {2025}
}