GRAPHGINI：在图神经网络中促进个体与群体公平性
机器学习
2026-01-09 v2 社会与信息网络
摘要
图神经网络（GNNs）在各种任务中展现出卓越性能，导致其在高风险决策系统中的采用率日益增加。然而，人们担心在缺乏公平性约束的情况下，GNNs 可能会为弱势群体或个人产生不公平的决策。本文通过引入 GraphGini 来解决这一问题，这是一种将基尼系数纳入 GNN 框架以增强个体和群体公平性的新方法。我们严格证明了基尼系数比现行的 Lipschitz 常数方法具有更强的鲁棒性，并能促进 GNN 结果中的机会均等。此外，我们利用 Nash 社会福利规划确保我们的解能产生群体公平性的 Pareto 最优分布。在真实世界数据集上的大量实验表明，GraphGini 在保持效用和群体公平性的同时，相较于最先进方法显著提高了个体公平性。
引用
@article{arxiv.2402.12937,
title = {GRAPHGINI: Fostering Individual and Group Fairness in Graph Neural Networks},
author = {Anuj Kumar Sirohi and Anjali Gupta and Sandeep Kumar and Amitabha Bagchi and Sayan Ranu},
journal= {arXiv preprint arXiv:2402.12937},
year = {2026}
}