迁移人口统计群体以实现公平图神经网络
机器学习
2024-03-26 v2 计算机与社会
摘要
图神经网络(GNNs)因图学习的优越性能已应用于众多场景。然而，设计 GNNs 时公平性常被忽视。结果，训练数据中的偏置信息极易影响朴素 GNNs，导致对特定人口统计群体（按种族、年龄等敏感属性划分）产生偏倚结果。已有研究致力于解决公平性问题。但现有公平技术通常按原始敏感属性划分人口统计群体并假定其固定不变。与原始敏感属性相关的偏置信息会贯穿训练过程，无论采用何种公平技术。训练公平 GNNs 亟需解决此问题。为此，我们提出全新框架 FairMigration，可动态迁移人口统计群体，而非以原始敏感属性固定之。FairMigration 由两个训练阶段组成。第一阶段，GNNs 经个性化自监督学习初步优化，人口统计群体被动态调整。第二阶段，新人口统计群体被冻结，并在新群体约束与对抗训练下开展监督学习。大量实验表明 FairMigration 能良好平衡模型性能与公平性。
引用
@article{arxiv.2306.04212,
title = {Migrate Demographic Group For Fair GNNs},
author = {YanMing Hu and TianChi Liao and JiaLong Chen and Jing Bian and ZiBin Zheng and Chuan Chen},
journal= {arXiv preprint arXiv:2306.04212},
year = {2024}
}