FMP：面向公平图消息传递以抵御拓扑偏差
机器学习
2022-02-10 v1
摘要
尽管近期在图神经网络（GNNs）中通过正则化、对抗去偏和对比学习已实现公平表示与预测，但导致不公平问题的 GNN 背后工作机制（即消息传递）仍属未知。本工作中，我们从理论与实验上证明，消息传递方案中的代表性聚合会因图拓扑引发的拓扑偏差而在节点表示中累积偏差。因此，我们提出一种公平消息传递（FMP）方案，在统一框架下聚合来自邻居的有用信息，同时考虑图平滑性与公平性目标以最小化拓扑偏差的影响。所提 FMP 有效、透明且与反向传播训练兼容。我们还采用梯度计算的加速方法以提升算法效率。在节点分类任务上的实验表明，所提 FMP 在三个真实数据集上以高效且有效的方式缓解偏差，优于最先进的基线方法。
引用
@article{arxiv.2202.04187,
title = {FMP: Toward Fair Graph Message Passing against Topology Bias},
author = {Zhimeng Jiang and Xiaotian Han and Chao Fan and Zirui Liu and Na Zou and Ali Mostafavi and Xia Hu},
journal= {arXiv preprint arXiv:2202.04187},
year = {2022}
}