SaGIF：通过相似性编码改进图神经网络中的个体公平性
机器学习
2025-06-24 v1
摘要
图神经网络 (GNN) 中的个体公平性 (IF) 强调相似个体应从 GNN 中获得相似的结果，这一点一直是关键问题。尽管重要性不言而喻，但该领域的研究在 (1) 对引起 GNN 个体不公平的明确理解和 (2) 对识别相似个体的全面考虑方面基本未被探索。为弥合这一差距，我们进行了初步分析，以探讨个体不公平的背后原因并观察到 IF 与相似性一致性之间的相关性，这一概念被引入用于评估基于图结构与节点特征确定相似个体的差异。鼓励我们的观察，我们提出了两个度量标准，从两个不同角度评估个体相似性：拓扑融合和特征融合。基于这些度量标准，我们提出了用于个体公平性的相似性感知 GNN，称为 SaGIF。SaGIF 的关键思想是通过独立学习相似性表示来整合个体相似性，从而改善 GNN 中的 IF。我们在几个真实数据集上的实验验证了我们提出的度量标准和 SaGIF 的有效性。具体而言，SaGIF 在保持实用性能的同时， consistently 超过最先进的 IF 方法。代码可在 https://github.com/ZzoomD/SaGIF 获取。
引用
@article{arxiv.2506.18696,
title = {SaGIF: Improving Individual Fairness in Graph Neural Networks via Similarity Encoding},
author = {Yuchang Zhu and Jintang Li and Huizhe Zhang and Liang Chen and Zibin Zheng},
journal= {arXiv preprint arXiv:2506.18696},
year = {2025}
}
备注
Under review