基于同质性感知的监督对比性反事实增强公平图神经网络
机器学习
2026-04-06 v1
摘要
近年来，图神经网络（GNNs）在节点分类、链接预测和图表示学习等任务中取得了显著成就。然而，它们仍然容易受到源自节点属性以及图结构本身的偏见。因此，针对GNNs的公平性问题日益成为关键研究挑战。本文提出一种新型模型，通过改进反事实增强公平图神经网络框架（CAF），实现公平性感知的训练。具体而言，我们的方法引入两种阶段的训练策略：在第一个阶段，我们编辑图结构以相对于类别标签提高同质性比例，同时相对于敏感属性标签降低同质性比例；在第二个阶段，我们将修改后的监督对比损失和环境损失集成到优化过程中，使模型能够在提高预测性能和公平性之间实现联合优化。在五个真实数据集上的实验表明，我们的模型在分类准确率和公平性指标上均优于CAF和多个最先进的基于图的学习方法。
引用
@article{arxiv.2604.02342,
title = {Homophily-aware Supervised Contrastive Counterfactual Augmented Fair Graph Neural Network},
author = {Mahdi Tavassoli Kejani and Fadi Dornaika and Charlotte Laclau and Jean-Michel Loubes},
journal= {arXiv preprint arXiv:2604.02342},
year = {2026}
}
备注
This paper has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning, 2026