分布偏移下的图公平性学习

图神经网络（GNNs）在图结构数据上取得了卓越的性能。然而，GNNs 可能会从训练数据中继承偏见，并基于性别和种族等敏感属性做出歧视性预测。近期，确保 GNNs 的公平性引起了越来越多的关注，但所有这些研究都基于训练数据和测试数据处于相同分布的假设，即训练数据和测试数据来自同一个图。图公平性性能在分布偏移下会下降吗？分布偏移如何影响图公平性学习？所有这些开放性问题在很大程度上尚未从理论角度得到探索。为了回答这些问题，我们首先从理论上识别了决定图上偏见的因素。随后，我们探讨了影响测试图公平性的因素，其中一个值得注意的因素是训练图和测试图之间某些群体的表示距离。受我们理论分析的启发，我们提出了我们的框架 FatraGNN。具体而言，为了保证在未知测试图上的公平性性能，我们提出一个图生成器来生成大量具有显著偏见且处于不同分布下的图。然后，我们最小化训练图和生成图之间每个特定群体的表示距离。这使我们的模型即使在具有显著偏见的生成图上也能实现高分类和公平性性能，从而有效处理未知的测试图。在真实世界和半合成数据集上的实验证明了我们模型在准确性和公平性方面的有效性。