缓解有符号图神经网络中的度偏差
机器学习
2024-08-19 v1
摘要
与图神经网络（GNN）类似，有符号图神经网络（SGNN）也面临来自源数据和典型聚合方法的公平性问题。在本文中，我们率先将 GNN 中公平性研究的范围扩展到 SGNN。我们识别了有符号图中的度偏差问题，为与 SGNN 相关的公平性问题提供了一个新视角。为处理所面临的偏差问题，借鉴先前关于度偏差的工作，我们提出了一种新的模型无关方法来增强不同度节点的表示，称为度偏差有符号图神经网络（DD-SGNN）。更具体地说，在每一层中，我们在一个头-尾-尾三元组内部从高度节点向低度节点进行转移，以补充底层域中尾节点的缺失结构，同时保持有符号图中由平衡理论指定的正负语义。我们在四个真实数据集上进行了广泛实验。结果验证了模型的有效性，即我们的模型在不损害性能（即 AUC、F1）的情况下缓解了度偏差问题。代码在补充材料中提供。
引用
@article{arxiv.2408.08508,
title = {Mitigating Degree Bias in Signed Graph Neural Networks},
author = {Fang He and Jinhai Deng and Ruizhan Xue and Maojun Wang and Zeyu Zhang},
journal= {arXiv preprint arXiv:2408.08508},
year = {2024}
}
备注
10 pages, 7 figures, The 39th Annual AAAI Conference on Artificial Intelligence