缺失数据插补对图节点分类器公平性与准确性的影响

机器学习（ML）算法公平性的分析近来吸引了众多研究者的兴趣。大多数ML方法对受保护群体表现出偏见，这限制了ML模型在诸如犯罪率预测等许多应用中的适用性。由于数据可能存在缺失值，若处理不当，已知会进一步有害地影响公平性。已提出许多插补方法来处理缺失数据。然而，缺失数据插补对公平性的影响尚未被充分研究。本文中，我们分析在图数据（节点属性）插补背景下使用不同嵌入与神经网络方法时的公平性影响。在六个数据集上的大量实验展示了图节点分类下缺失数据插补中的严重公平性问题。我们还发现插补方法的选择同时影响公平性与准确性。我们的结果为图数据公平性以及如何高效处理图中的缺失性提供了有价值的见解。本工作也为图数据公平性的理论研究提供了方向。