一种通用方案：面向各种敏感属性的公平图神经网络学习
机器学习
2025-06-10 v3
摘要
近期研究已揭示图神经网络（Graph Neural Networks, GNNs）中存在公平性问题，即它们对由敏感属性（如种族和年龄）分类的特定受保护群体进行歧视性预测。尽管针对GNN公平性的各种努力取得了显著进展，但这些方法往往针对特定的敏感属性进行定制，导致需要从头重新训练模型以适应敏感属性需求的变化，从而造成高额计算成本。为深入了解此问题，本文从因果建模视角切入，识别出由敏感属性引发的混杂效应是其根本原因。基于此观察，我们从不变学习视角对图的公平性问题进行建模，旨在跨环境学习不变表示。因此，我们提出了基于不变学习的图公平性框架，称为FairINV，使能够在单次训练中适应各种敏感属性的公平GNN。具体而言，FairINV整合了敏感属性分区，通过消除标签与各种敏感属性之间的虚假关联来训练公平GNN。实验结果表明，FairINV在多个真实数据集上显著优于最新的公平方法，凸显了其有效性。我们的代码已公开：https://github.com/ZzoomD/FairINV/。
引用
@article{arxiv.2406.13544,
title = {One Fits All: Learning Fair Graph Neural Networks for Various Sensitive Attributes},
author = {Yuchang Zhu and Jintang Li and Yatao Bian and Zibin Zheng and Liang Chen},
journal= {arXiv preprint arXiv:2406.13544},
year = {2025}
}
备注
Published in KDD 2024