通过反事实干预缓解图扩散中的拓扑偏差
机器学习
2026-03-03 v1 人工智能
社会与信息网络
摘要
图扩散模型在图生成任务中受到广泛关注，但往往继承并放大来自敏感属性（如性别、年龄、地区）的拓扑偏差，导致不公平的合成图。现有的基于扩散模型的公平图生成方法局限于特定图基应用，需依赖完整标签或同时更新图结构和节点属性，难以适用于通用场景。为松弛这些限制，我们在图拓扑上直接应用去偏方法，提出了公平图扩散模型（FairGDiff），这是一种基于反事实的单步解决方案，可在保持公平性与实用性之间取得平衡。具体而言，我们构建因果模型来捕捉敏感属性、偏差链接形成与生成图结构之间的关系。通过回答“若敏感属性不同，图结构是否会改变”的反事实问题，我们估计出无偏处理并纳入扩散过程。FairGDiff 将反事实学习集成到正向扩散和反向去噪中，确保生成的图与敏感属性独立，同时保持结构完整性。大量实验表明，FairGDiff 在公平性和实用性之间取得了卓越的平衡，优于现有的公平图生成方法，同时保持了可扩展性。
引用
@article{arxiv.2603.02005,
title = {Mitigating topology biases in Graph Diffusion via Counterfactual Intervention},
author = {Wendi Wang and Jiaxi Yang and Yongkang Du and Lu Lin},
journal= {arXiv preprint arXiv:2603.02005},
year = {2026}
}