图神经网络中的广义度公平性
机器学习
2023-02-21 v2 社会与信息网络
摘要
传统图神经网络（GNN）常面临公平性问题，其根源可能来自输入，包括节点属性与节点邻域。尽管近期已有若干方法旨在消除敏感属性中根植的偏差，它们忽略了 GNN 的另一关键输入，即节点邻域——由于 GNN 依赖邻域结构生成节点表示，邻域会引入偏差。特别是，节点间变化的邻域结构体现为差异巨大的节点度，导致了节点的多样行为与不公结果。本文中，我们首先定义并推广了度偏差，采用节点度的广义定义作为不同节点周围不同多跳结构的表征与量化。为在节点分类背景下解决该偏差，我们提出一种称为广义度公平性中心图神经网络（Deg-FairGNN）的新颖 GNN 框架。具体而言，在每一 GNN 层中，我们采用可学习的去偏函数生成去偏上下文，其调节逐层邻域聚合以消除源于节点间多样度的度偏差。在三个基准数据集上的大量实验证明了我们的模型在准确率与公平性指标上的有效性。
引用
@article{arxiv.2302.03881,
title = {On Generalized Degree Fairness in Graph Neural Networks},
author = {Zemin Liu and Trung-Kien Nguyen and Yuan Fang},
journal= {arXiv preprint arXiv:2302.03881},
year = {2023}
}
备注
This paper has been accepted by AAAI 2023