基于图反事实的公平图神经网络研究
机器学习
2023-08-22 v2
摘要
图神经网络在图上的表示学习（GNNs）中展现出强大的能力，推动了各类任务的发展。尽管 GNNs 在图建模方面性能优异，近期研究表明 GNNs 倾向于继承并放大训练数据中的偏差，这引发了其在高风险场景中应用的担忧。因此，许多研究致力于公平感知的 GNNs。然而，现有大多数公平 GNNs 通过采用统计公平性概念来学习公平节点表示，在存在统计异常时可能无法缓解偏差。受因果理论启发，已有若干尝试利用图反事实公平性来消除不公平的根源。但这些方法因通过扰动或生成获得非真实反事实而存在缺陷。本文从因果视角审视公平图学习问题。在因果分析指导下，我们提出一种新颖框架 CAF，该框架可从训练数据中筛选反事实以避免非真实反事实，并利用所选反事实学习用于节点分类任务的公平节点表示。在合成与真实世界数据集上的大量实验表明了 CAF 的有效性。我们的代码见 https://github.com/TimeLovercc/CAF-GNN。
引用
@article{arxiv.2307.04937,
title = {Towards Fair Graph Neural Networks via Graph Counterfactual},
author = {Zhimeng Guo and Jialiang Li and Teng Xiao and Yao Ma and Suhang Wang},
journal= {arXiv preprint arXiv:2307.04937},
year = {2023}
}