GFairHint：通过公平性提示提升图神经网络的个体公平性
机器学习
2025-01-14 v2 计算机与社会
社会与信息网络
摘要
鉴于机器学习中公平性问题的日益关注以及图神经网络（GNNs）在图数据学习上的优异表现，GNN 中的算法公平性已引起显著重视。虽然许多现有研究在群体层面改善公平性，但仅有少数工作促进个体公平性，即相似个体应获得相似结果。一个促进个体公平性的理想框架应 (1) 平衡公平性与性能，(2) 兼容两种常用个体相似性度量（外部标注与从输入特征计算），(3) 泛化至各类 GNN 模型，且 (4) 计算高效。遗憾的是，先前工作均未达到所有期望。本工作中，我们提出一种新方法 GFairHint，促进 GNN 中的个体公平性并实现上述所有期望。GFairHint 通过辅助链接预测任务学习公平性表示，然后将该表示与原始 GNN 中学习到的节点嵌入拼接作为“公平性提示”。在涵盖上述两种个体相似性度量的三种主流 GNN 模型下，对五个真实图数据集的广泛实验表明，GFairHint 在几乎所有数据集与各类骨干模型组合中取得最佳公平性结果，同时产生可比的效用结果，且计算成本远低于先前最先进（SoTA）方法。
引用
@article{arxiv.2305.15622,
title = {GFairHint: Improving Individual Fairness for Graph Neural Networks via Fairness Hint},
author = {Paiheng Xu and Yuhang Zhou and Bang An and Wei Ai and Furong Huang},
journal= {arXiv preprint arXiv:2305.15622},
year = {2025}
}
备注
Accepted by the ACM Transactions on Knowledge Discovery from Data (TKDD 2025)