通过缓解敏感属性泄漏提升图神经网络的公平性
机器学习
2022-06-13 v2 密码学与安全
计算机与社会
摘要
图神经网络（GNNs）在图节点表示学习方面展现出强大能力。然而，它们可能从训练数据中继承历史偏见，导致预测中的歧视性偏差。尽管已有一些工作开发了公平 GNNs，但其中大多数直接借用非图领域的公平表示学习技术，而未考虑 GNNs 中由特征传播引起的敏感属性泄漏这一潜在问题。然而，我们通过实证观察到，特征传播会改变先前无害的非敏感特征与敏感特征之间的相关性。这可被视为敏感信息的泄漏，可能进一步加剧预测中的歧视。因此，我们根据特征相关性设计了两种特征掩码策略，以凸显在缓解歧视时考虑特征传播与相关性变化的重要性。受我们的分析启发，我们提出公平视图图神经网络（FairVGNN），通过自动识别并掩码与敏感相关的特征（考虑特征传播后的相关性变化）来生成特征的公平视图。给定学习到的公平视图，我们自适应地钳制编码器的权重，以避免使用敏感相关特征。在真实世界数据集上的实验表明，FairVGNN 在模型效用与公平性之间取得了更好的权衡。我们的代码公开于 https://github.com/YuWVandy/FairVGNN。
引用
@article{arxiv.2206.03426,
title = {Improving Fairness in Graph Neural Networks via Mitigating Sensitive Attribute Leakage},
author = {Yu Wang and Yuying Zhao and Yushun Dong and Huiyuan Chen and Jundong Li and Tyler Derr},
journal= {arXiv preprint arXiv:2206.03426},
year = {2022}
}