理解图表示学习中的社区偏差放大现象
机器学习
2023-12-11 v1 社会与信息网络
摘要
在这项工作中，我们发现了图表示学习中的一种社区偏差放大现象，即图表示学习加剧了不同类别之间的性能偏差。我们从一个新颖的谱视角对这一现象进行了深入的理论研究。我们的分析表明，社区间的结构偏差导致节点嵌入的局部收敛速度不同。这一现象导致下游任务分类结果中的偏差放大。基于理论见解，我们提出了随机图粗化方法，并证明其能有效处理上述问题。最后，我们提出了一种新颖的图对比学习模型，称为随机图粗化对比学习（RGCCL），该模型利用随机粗化作为数据增强，并通过对比粗化图与原始图来缓解社区偏差。在各种数据集上的大量实验证明了我们的方法在处理社区偏差放大方面的优势。
引用
@article{arxiv.2312.04883,
title = {Understanding Community Bias Amplification in Graph Representation Learning},
author = {Shengzhong Zhang and Wenjie Yang and Yimin Zhang and Hongwei Zhang and Divin Yan and Zengfeng Huang},
journal= {arXiv preprint arXiv:2312.04883},
year = {2023}
}