数据中有魔鬼：基于部分知识蒸馏的公平图神经网络学习
机器学习
2023-11-30 v1 计算机与社会
社会与信息网络
摘要
图神经网络（GNNs）正越来越多地用于许多高风险任务，因此近期对其公平性的关注日益增长。GNNs 已被证明是不公平的，因为它们往往对由性别、种族等敏感属性划分的某些人口群体做出歧视性决策。尽管近期工作致力于改善其公平性表现，但它们通常需要可获取的人口统计信息。由于法律限制，这极大限制了其在真实场景中的适用性。为解决该问题，我们提出一种与人口统计无关、通过知识蒸馏学习公平 GNNs 的方法，即 FairGKD。我们的工作受如下经验观察的启发：在部分数据（即仅节点属性或拓扑数据）上训练 GNNs 可改善其公平性，尽管以效用为代价。为在公平性与效用表现间取得平衡，我们采用一组公平性专家（即在不同部分数据上训练的 GNNs）来构建合成教师，其将更公平且具信息性的知识蒸馏以指导 GNN 学生的学习。在若干基准数据集上的实验表明，无需访问人口统计信息的 FairGKD 在大幅保持效用的同时，显著提升了 GNNs 的公平性。
引用
@article{arxiv.2311.17373,
title = {The Devil is in the Data: Learning Fair Graph Neural Networks via Partial Knowledge Distillation},
author = {Yuchang Zhu and Jintang Li and Liang Chen and Zibin Zheng},
journal= {arXiv preprint arXiv:2311.17373},
year = {2023}
}
备注
Accepted by WSDM 2024