迈向公平且稳定的图表示学习统一框架
机器学习
2022-07-05 v3
摘要
随着图神经网络（GNNs）输出的表示日益应用于现实场景，确保这些表示公平且稳定变得十分重要。本工作中，我们建立了反事实公平性与稳定性之间的关键联系，并利用该联系提出了一种新颖框架 NIFTY（uNIfying Fairness and stabiliTY，统一公平性与稳定性），该框架可与任意 GNN 结合以学习公平且稳定的表示。我们引入了一种同时考虑公平性与稳定性的新颖目标函数，并利用 Lipschitz 常数开发了一种逐层权重归一化方法以增强 GNN 中的神经消息传递。由此，我们在目标函数与 GNN 架构两个层面同时强化了公平性与稳定性。进一步，我们从理论上证明，我们的逐层权重归一化有助于所得表示具备反事实公平性与稳定性。我们引入了三个新的图数据集，涵盖刑事司法与金融借贷领域中的高风险决策。基于上述数据集的广泛实验证明了我们框架的有效性。
引用
@article{arxiv.2102.13186,
title = {Towards a Unified Framework for Fair and Stable Graph Representation Learning},
author = {Chirag Agarwal and Himabindu Lakkaraju and Marinka Zitnik},
journal= {arXiv preprint arXiv:2102.13186},
year = {2022}
}
备注
Accepted to UAI'21