缓解图超维计算中的偏差
机器学习
2025-12-09 v1 社会与信息网络
摘要
图超维计算（HDC）作为一种有前景的认知任务范式而兴起，利用称为超向量的高维向量模拟类脑计算。虽然HDC在图结构数据上提供了鲁棒性和效率，但其公平性含义尚未得到充分探索。在本文中，我们研究图HDC中的公平性，其中数据表示和决策规则中的偏差可能导致对不同群体的不平等待遇。我们展示了超向量编码和基于相似度的分类如何传播甚至放大此类偏差，并提出了一种公平感知的训练框架FairGHDC来缓解这些偏差。FairGHDC引入了一个从基于差距的人口统计平等正则化器导出的偏差校正项，并将其转换为一个标量公平因子，用于缩放真实标签类别超向量的更新。这使得可以直接在超向量空间中进行去偏，而无需修改图编码器或要求反向传播。在六个基准数据集上的实验结果表明，FairGHDC大幅减少了人口统计平等和机会平等差距，同时保持了与标准GNN和公平感知GNN相当的可比精度。与此同时，FairGHDC保留了HDC的计算优势，在GPU上实现了高达约10倍的训练时间加速。
引用
@article{arxiv.2512.07433,
title = {Mitigating Bias in Graph Hyperdimensional Computing},
author = {Yezi Liu and William Youngwoo Chung and Yang Ni and Hanning Chen and Mohsen Imani},
journal= {arXiv preprint arXiv:2512.07433},
year = {2025}
}