缓解知识图上的关系偏见
人工智能
2022-12-06 v2 计算机与社会
机器学习
摘要
知识图数据在现实应用中十分普遍，知识图神经网络(KGNNs)是知识图表示学习的重要技术。尽管KGNN有效建模了知识图的结构信息，这些框架放大了底层数据偏见，导致在下游应用中对某些群体或个体产生歧视。此外，由于现有去偏方法主要关注实体级偏见，消除知识图中普遍存在的多跳关系偏见仍是一个开放问题。然而，由于产生偏见的路径稀疏以及知识图的非线性邻近结构，消除关系偏见非常具有挑战性。为应对这些挑战，我们提出Fair-KGNN，一种同时缓解多跳偏见并保留知识图中实体到关系邻近信息的KGNN框架。所提框架可泛化至缓解所有类型KGNN的关系偏见。我们构建了Fair-KGNN的两个实例，结合两种最先进的KGNN模型RGCN与CompGCN，以缓解性别-职业与国籍-薪资偏见。在三个基准知识图数据集上的实验表明，Fair-KGNN能在保持KGNN模型预测性能的同时有效缓解表示学习中的不公平情形。
引用
@article{arxiv.2211.14489,
title = {Mitigating Relational Bias on Knowledge Graphs},
author = {Yu-Neng Chuang and Kwei-Herng Lai and Ruixiang Tang and Mengnan Du and Chia-Yuan Chang and Na Zou and Xia Hu},
journal= {arXiv preprint arXiv:2211.14489},
year = {2022}
}