无偏见！面向个性化推荐的公平联邦图神经网络
信息检索
2023-12-21 v2 人工智能
机器学习
摘要
确保推荐系统在不同人口群体间的公平性至关重要，因为推荐系统在个性化医疗、金融和电子商务等应用中的集成度日益提高。基于图的推荐系统在捕捉实体间复杂的高阶交互中扮演关键角色。然而，将这些图模型融入带有公平性约束的联邦学习范式面临巨大挑战，因为这需要在中央服务器访问整个交互图和敏感用户信息（如性别、年龄等）。本文解决了推荐系统中针对不同人口群体的固有偏差问题，同时在不牺牲联邦学习环境下基于图模型的敏感用户属性隐私的前提下进行。为应对群体偏差，我们提出了F2PGNN（公平联邦个性化图神经网络），这是一个新颖的框架，它结合了个性化图神经网络的能力与公平性考量。此外，我们使用差分隐私技术来加强隐私保护。在三个公开数据集上的实验评估表明，与最先进方法相比，F2PGNN在保持隐私和效用的同时，将群体不公平性降低了47%至99%。结果验证了我们的框架在联邦学习环境下使用图神经网络实现公平且个性化推荐的重要性。
引用
@article{arxiv.2312.10080,
title = {No prejudice! Fair Federated Graph Neural Networks for Personalized Recommendation},
author = {Nimesh Agrawal and Anuj Kumar Sirohi and Jayadeva and Sandeep Kumar},
journal= {arXiv preprint arXiv:2312.10080},
year = {2023}
}
备注
To appear as a full paper in AAAI 2024