促进链接预测中的公平性：一种图增强方法
机器学习
2024-09-16 v1
摘要
链接预测是网络分析中的一项关键任务，但已知其容易产生有偏见的预测，特别是当链接在来自不同敏感组的节点之间被预测时。在本文中，我们研究了公平链接预测问题，旨在确保预测的链接概率与连接节点的敏感属性无关。现有方法通常在图嵌入中整合去偏技术以缓解此问题。然而，在大型真实世界图上进行训练本身就具有挑战性，而添加公平性约束可能会进一步使过程复杂化。为了克服这一挑战，我们提出了FairLink，一种学习增强公平性图的方法，从而无需在链接预测器训练期间进行去偏。FairLink通过确保增强图遵循与原始输入图相似的训练轨迹来保持链接预测的准确性。同时，它通过最小化同敏感组内节点对与不同敏感组间节点对的链接概率绝对差来增强公平性。我们在多个大规模图上的大量实验表明，FairLink不仅促进了公平性，而且其链接预测准确性通常也能与基线方法相媲美。最重要的是，增强后的图在不同GNN架构中表现出良好的泛化能力。
引用
@article{arxiv.2409.08658,
title = {Promoting Fairness in Link Prediction with Graph Enhancement},
author = {Yezi Liu and Hanning Chen and Mohsen Imani},
journal= {arXiv preprint arXiv:2409.08658},
year = {2024}
}