MONET：通过元数据正交训练单元去偏图嵌入
机器学习
2020-02-26 v2 社会与信息网络
机器学习
摘要
图神经网络（GNNs）是公平的吗？在许多真实世界图中，边的形成与某些节点属性（如性别、社群、声誉）相关。此时，使用这些边的标准 GNN 会被该信息所偏置，因为它已被编码在邻接矩阵的结构本身中。本文中，我们表明当元数据与节点邻域的形成相关时，无监督节点嵌入维度会学到该元数据。这种偏置意味着在推荐系统等真实世界应用中无法控制重要协变量。为解决这些问题，我们引入了元数据正交节点嵌入训练（MONET）单元，一种用于图节点嵌入去偏的通用模型。MONET 通过确保节点嵌入在与节点元数据所在超平面正交的超平面上训练来实现这一点。这有效地将非结构化的嵌入维度组织为可解释的仅拓扑、仅元数据的划分，且无线性交互。我们通过在多种真实世界图上的实验说明了 MONET 的有效性，表明我们的方法能够学习并去除任意协变量的影响，例如在博客网络中防止政党归属的泄露，以及挫败基于嵌入的推荐系统的博弈行为。
引用
@article{arxiv.1909.11793,
title = {MONET: Debiasing Graph Embeddings via the Metadata-Orthogonal Training Unit},
author = {John Palowitch and Bryan Perozzi},
journal= {arXiv preprint arXiv:1909.11793},
year = {2020}
}