图神经网络的子群泛化与公平性
机器学习
2021-12-01 v2 人工智能
摘要
尽管图神经网络（GNNs）取得了巨大的成功应用，对其泛化能力的理论理解——尤其是针对数据非独立同分布（IID）的节点级任务——仍然匮乏。对泛化性能的理论研究有助于理解GNN模型的基本问题（如公平性）并设计更好的学习方法。本文针对非IID半监督学习设置下的GNNs提出了一种新颖的PAC-Bayesian分析。此外，我们分析了未标记节点不同子群上的泛化性能，从而能从理论角度进一步研究GNNs的准确率（差异）式公平性。在合理假设下，我们证明测试子群与训练集之间的距离可能是影响该子群上GNN性能的关键因素，这呼吁在公平学习中特别关注训练节点的选择。跨多个GNN模型和数据集的实验支持了我们的理论结果。
引用
@article{arxiv.2106.15535,
title = {Subgroup Generalization and Fairness of Graph Neural Networks},
author = {Jiaqi Ma and Junwei Deng and Qiaozhu Mei},
journal= {arXiv preprint arXiv:2106.15535},
year = {2021}
}
备注
NeurIPS 2021 Spotlight