通过反事实去偏减缓图神经网络中的公平性问题
机器学习
2025-08-21 v1
摘要
图神经网络 (GNN) 在建模图结构数据方面取得了成功，但与其他机器学习模型一样，GNN 可能会基于种族、性别等属性在预测中表现出偏见。此外，图结构和消息传递机制可能会加剧 GNNs 的偏见。近期前沿方法通过过滤输入或表示中的敏感信息（如边丢弃或特征遮蔽）来缓解偏见。然而，我们认为此类策略可能无意中消除非敏感特征，导致预测准确性和公平性之间的平衡受到损害。为此，我们提出了一种新方法，利用反事实数据增强进行偏差缓解。该方法通过在消息传递前使用反事实样本创建多样化的邻域，以促进无偏节点表示的学习。随后，采用对抗判别器来通过常规 GNN 分类器降低预测中的偏见。我们提出的技术，称为 Fair-ICD，能在适度条件下确保 GNNs 的公平性。使用三个 GNN 主干模型在标准数据集上进行实验，结果表明 Fair-ICD 在保持高预测性能的同时显著提高了公平性指标。
引用
@article{arxiv.2508.14683,
title = {Improving Fairness in Graph Neural Networks via Counterfactual Debiasing},
author = {Zengyi Wo and Chang Liu and Yumeng Wang and Minglai Shao and Wenjun Wang},
journal= {arXiv preprint arXiv:2508.14683},
year = {2025}
}
备注
Proceedings of the 2024 KDD Workshop