网络化不平等:图神经网络链接预测中的优先连接偏置
机器学习
2024-06-06 v2 计算机与社会
社会与信息网络
摘要
图神经网络(GNN)链接预测日益部署于引文、合作与在线社交网络中,用于推荐学术文献、合作者与好友。尽管已有研究考察了 GNN 链接预测的二元公平性,组内(如酷儿女性)公平性与链接预测的“富者愈富”动态仍鲜被探究。然而,这些方面对网络中的度与权力失衡具有显著影响。本文阐明了网络中的度偏置如何影响图卷积网络(GCN)链接预测。特别地,我们从理论上揭示带有对称归一化图滤波器的 GCN 具有组内优先连接偏置。我们在真实世界的引文、合作与在线社交网络上验证了理论分析。我们进一步将 GCN 的优先连接偏置与链接预测中的不公平性联系起来,并提出一种新的组内公平性度量。该度量量化社交组内链接预测分数的差异,以对抗度与权力差距的放大。最后,我们提出一种简单的训练期策略以缓解组内不公平性,并表明其在引文、社交与信用网络上均有效。
引用
@article{arxiv.2309.17417,
title = {Networked Inequality: Preferential Attachment Bias in Graph Neural Network Link Prediction},
author = {Arjun Subramonian and Levent Sagun and Yizhou Sun},
journal= {arXiv preprint arXiv:2309.17417},
year = {2024}
}
备注
Accepted to ICML 2024