图神经网络中测试个体公平性

人工智能模型中的偏见可能导致基于性别、种族等敏感属性进行的自动化决策过程歧视群体和/或个体。虽然已有许多研究诊断和缓解各种AI模型中的偏见，但关于图神经网络（GNN）中的个体公平性的研究甚少。与传统模型独立处理数据特征并忽略其相互关系不同，GNN旨在捕获图结构，其中节点相互连接。这种关系方法使GNN能够建模复杂依赖，但也意味着偏见可通过这些连接传播， complicating individual fairness 违规的检测和缓解。本博士项目旨在开发测试框架以评估和确保GNNs的个体公平性。该项目首先系统性地综述了关于个体公平的文献，归类现有方法以定义、度量、测试和缓解模型偏见，形成个体公平性的分类学。随后，项目将通过调整和扩展当前公平性测试和缓解技术来开发确保GNNs公平性的框架。该框架将通过工业案例研究进行评估，重点关注基于图的大型语言模型。