图模型与其公平 I-投影间的 KL 散度作为公平性正则化器
机器学习
2021-06-29 v2
摘要
在图上的学习与推理日益通过概率模型完成，例如指数随机图模型、图嵌入模型和图神经网络。然而，当图建模人与人之间的关系时，它们将不可避免地反映偏见、成见以及其他形式的不公与不平等。因此一个重要挑战是设计准确的图建模方法，同时根据问题所需的特定公平性概念保证公平。然而，该主题的既往工作仍然稀少，局限于去偏特定的图建模方法，且常以间接方式确保公平。我们提出一种适用于大多数概率图建模方法的通用方法。具体而言，我们首先定义对应于所选公平性准则集合的公平图模型类。据此，我们提出一个公平性正则化器，定义为图模型与其到公平模型集上的 I-投影之间的 KL 散度。我们证明，将该公平性正则化器与现有图建模方法结合使用能高效权衡公平与准确性，而最先进模型仅能针对其专门设计的公平性准则进行此权衡。
引用
@article{arxiv.2103.01846,
title = {The KL-Divergence between a Graph Model and its Fair I-Projection as a Fairness Regularizer},
author = {Maarten Buyl and Tijl De Bie},
journal= {arXiv preprint arXiv:2103.01846},
year = {2021}
}