从再平衡重新思考公平图神经网络

受图神经网络（GNN）强大表征能力的驱动，大量 GNN 模型在实际应用中得到广泛部署。然而，由于不同人口统计组之间存在分布差异，公平性在高风险决策系统中受到日益关注。尽管近期大量研究致力于改善 GNN 的公平性并取得显著成果，但这些方法都需要显著的架构修改或额外的损失函数，这需要更多的超参数调优。令人惊讶的是，我们发现简单的再平衡方法即可轻松匹配或超越现有的公平 GNN 方法。我们认为，不同人口统计组之间的不平衡是导致不公平的重要来源，导致各组对参数更新作出不平衡的贡献。然而，这些简单的再平衡方法在训练过程中仍存在局限。本文提出了 FairGB（Fair Graph Neural Network via re-Balancing），通过组平衡来缓解 GNN 的不公平。技术上，FairGB 包含两个模块：反事实节点混合和贡献对齐损失。首先，我们在跨域和跨类的范围内选择反事实配对，并对 ego-network 进行插值以生成新样本。依据分析，我们通过因果视角揭示了该模型的去偏机制，并证明我们的策略可以使敏感属性与目标标签在统计上独立。其次，我们根据梯度重新加权每组的贡献。通过将这两个模块组合在一起，它们可以相互促进。实验结果表明，在基准数据集上，我们的方法在实用性和公平性指标方面均实现了最先进的效果。代码已公开于 https://github.com/ZhixunLEE/FairGB。