FAROS：基于属性切换机制的公平图生成
机器学习
2025-07-08 v1
摘要
最近的图扩散模型（GDM）进展使人类能够合成逼真的网络结构，但确保生成数据的公平性仍是一个关键挑战。现有解决方案通过重新训练带有特定公平约束的 GDM 来缓解偏见。相反，本工作提出了 FAROS，一种利用属性切换机制的全新公平图生成框架，直接在预训练 GDM 的生成过程中运行。技术上，我们的方法通过在生成过程中改变节点的敏感属性来实现。为此，FAROS 计算最优的节点切换比例，并选择执行切换的扩散步骤，通过设置量身定制的多标准约束来保持节点拓扑配置来自原始分布（用作准确性的代理）的同时确保生成图中对敏感属性的边缘独立性（用作公平性的代理）。我们的实验在链接预测基准数据集上表明，所提出的方法有效降低了公平性差距，同时保持与其他基线相当（甚至更高）的准确性性能。值得注意的是，FAROS 还能在某些测试环境下达到比其他竞争者更好的准确性与公平性之间的权衡，这基于帕累托最优概念，表明所施加的多标准约束的有效性。
引用
@article{arxiv.2507.03728,
title = {FAROS: Fair Graph Generation via Attribute Switching Mechanisms},
author = {Abdennacer Badaoui and Oussama Kharouiche and Hatim Mrabet and Daniele Malitesta and Fragkiskos D. Malliaros},
journal= {arXiv preprint arXiv:2507.03728},
year = {2025}
}