利用图反事实公平性学习公平节点表示

公平机器学习旨在缓解模型预测针对种族、性别等敏感属性上某些子群体的偏差。在众多现有公平性概念中，反事实公平性通过对比每个个体在原始数据与反事实中的预测，从因果视角衡量模型公平性。在反事实中，该个体的敏感属性值被修改。近来，少数工作将反事实公平性推广到图数据，但大多忽视了可能导致偏差的以下事实：1）每个节点邻居的敏感属性可能因果影响该节点的预测；2）敏感属性可能因果影响其他特征与图结构。为解决这些问题，本文提出一种新颖的公平性概念——图反事实公平性，其考量了上述事实导致的偏差。为学习满足图反事实公平性的节点表示，我们提出一种基于反事实数据增强的新框架。在该框架中，我们生成对应于每个节点及其邻居敏感属性扰动的的反事实。随后，我们通过最小化每个节点从原始图与反事实中学得的表示之间的差异来强制公平性。在合成与真实图上的实验表明，我们的框架在图反事实公平性上优于 SOTA 基线，且取得了可比的预测性能。