对歧视说不：利用有限敏感属性信息学习公平图神经网络
机器学习
2021-10-18 v5
摘要
图神经网络（GNNs）在建模图结构数据方面展现出强大能力。然而，与其他机器学习模型类似，GNNs 可能基于受保护敏感属性（如肤色和性别）做出有偏预测。因为包括 GNNs 在内的机器学习算法被训练以反映训练数据的分布，而后者常包含针对敏感属性的历史偏差。此外，GNNs 中的歧视会被图结构和消息传递机制放大。因此，GNNs 在犯罪率预测等敏感领域的应用将受到极大限制。尽管在独立同分布（i.i.d）数据上已开展大量公平分类研究，解决非 i.i.d 数据上歧视问题的方法仍相当有限。而且，现有工作很少考虑敏感属性稀疏标注的实际场景。因此，我们研究利用有限敏感属性信息学习公平 GNNs 这一新颖且重要的问题。我们提出 FairGNN，通过利用图结构与有限敏感信息，在消除 GNNs 偏差的同时保持高节点分类准确率。我们的理论分析表明，在仅有少量节点已知敏感属性的温和条件下，FairGNN 能确保 GNNs 的公平性。在真实世界数据集上的大量实验也证明了 FairGNN 在去偏和保持高准确率方面的有效性。
引用
@article{arxiv.2009.01454,
title = {Say No to the Discrimination: Learning Fair Graph Neural Networks with Limited Sensitive Attribute Information},
author = {Enyan Dai and Suhang Wang},
journal= {arXiv preprint arXiv:2009.01454},
year = {2021}
}