RawlsGCN：面向图卷积网络的罗尔斯差异原则
机器学习
2022-03-01 v1 社会与信息网络
摘要
图卷积网络（GCN）在许多现实应用中发挥着关键作用。尽管GCN部署取得成功，其常表现出与节点度相关的性能差异，导致低度节点的预测精度更差。我们从源自分配正义理论的罗尔斯差异原则视角，阐述缓解GCN中度相关性能差异的问题。在数学上，我们旨在平衡低度节点与高度节点之间的效用，同时最小化特定任务损失。具体而言，我们通过分析GCN中权重矩阵的梯度，揭示了该度相关不公平性的根源。在权重矩阵梯度的指导下，我们进一步提出一种预处理方法RawlsGCN-Graph与一种处理中方法RawlsGCN-Grad，其可在不修改GCN架构或引入额外参数的情况下实现低度节点的公平预测精度。在真实图上的大量实验证明了我们所提RawlsGCN方法在显著减少度相关偏差的同时保持可比整体性能的有效性。
引用
@article{arxiv.2202.13547,
title = {RawlsGCN: Towards Rawlsian Difference Principle on Graph Convolutional Network},
author = {Jian Kang and Yan Zhu and Yinglong Xia and Jiebo Luo and Hanghang Tong},
journal= {arXiv preprint arXiv:2202.13547},
year = {2022}
}
备注
WWW'22