WWWAug, 2021

建模和减轻图神经网络的数据偏差

PDF
TL;DR该论文提出了利用 EDITS 框架通过减少有偏数据来减轻 GNN 模型的偏见，以实现更公平的结果。在新提出的度量指标的引导下，EDITS 可以以模型无关的方式优化输入数据，从而解决针对不同应用场景中不同 GNN 模型的偏差问题，并且不会降低 GNN 模型的性能。
graph neural networksattributed networksfairnessbias mitigationedits
发现论文，激发创造
  • 图神经网络偏差结构解释

    本研究旨在提供一种使用结构解释方法对图神经网络中的偏置性进行分析的框架，并提取贡献最大、偏置最小的两组边用于提高预测的公正性。经实验证明该框架在真实世界数据集上的可行性和有效性。

    Jun, 2022

  • 有限敏感信息泄露下为公平节点分类的去偏置图神经网络映射

    提出了一种名为 MAPPING 的新型模型无关的去偏框架，用于公平节点分类，其中采用了基于距离协方差 $dCov$ 的公平约束，同时减小了任意维度中的特征和拓扑偏差，并结合对抗去偏以限制属性推断攻击的风险。在不同的 GNN 变体的真实数据集上进行实验，证明了 MAPPING 的有效性和灵活性，结果显示 MAPPING 能够在效用与公平之间取得更好的权衡，并减轻敏感信息泄露的隐私风险。

    Jan, 2024

  • 消除偏见标签选择偏差的无知图神经网络

    本文提出用于消除图神经网络中选择偏差的 Debiased Graph Neural Networks 方法，并通过多个实验验证其超越了现有方法，DGNN 是增强现有 GNN 的灵活框架。

    Jan, 2022

  • 通过节点归因解释图神经网络中的不公正性

    本文提出了一种新的策略 PDD，它可以衡量 GNN 中表现出的偏见，并开发了一种算法来有效地估计每个训练节点对此偏见的影响力。在真实世界的数据集上进行实验验证了 PDD 的有效性和影响力估计的有效性，并演示了如何使用该框架进行 GNN 去偏见化。

    Nov, 2022

  • FairEdit: 通过贪心图编辑保持图神经网络的公平性

    本研究探讨如何通过新增边缘来促进基于图神经网络的公平性，并提出了两种无需预训练的算法：暴力方法和连续逼近方法 FairEdit。结果表明，FairEdit 在多个数据集和 GNN 方法上表现优异，同时能够提高公平性，在多个领域和模型中有着应用前景。

    Jan, 2022

  • 缓解知识图谱中的关系偏差

    提出了一种名为 Fair-KGNN 的知识图谱神经网络框架，可以同时减轻知识图谱中个体偏见和关系偏见的影响，从而实现表示学习的公平性和预测性能。

    Nov, 2022

  • 图神经网络中广义程度公平性的研究

    本文针对传统图神经网络中存在的公平性问题，提出了一种新的 GNN 框架，使用可学习的去偏函数来消除不同节点间的度数差异所导致的偏差，以解决节点分类问题中存在的偏差。

    Feb, 2023

  • 拒絕歧視：在有限敏感屬性信息下學習公正的圖神經網絡

    本文提出了一种名为 FairGNN 的算法，通过利用图结构和有限的敏感信息来消除 GNN 中的偏见，从而实现公平分类。在真实世界数据集上的实验结果表明，FairGNN 在去偏差和保持高准确率方面具有有效性。

    Sep, 2020

  • 通过元数据正交训练单元对图嵌入进行去偏置

    本文提出了一种元数据正交节点嵌入训练（MONET）方法，在处理存在元数据相关性的节点邻域时，大大减少或消除了算法的偏见以实现公平，这种方法将节点嵌入组织成一个只有拓扑结构和元数据的分离体，并证明了 MONET 在各种真实世界图上的效果。

    Sep, 2019

  • 通过减少敏感属性泄漏，提高图神经网络的公平性

    通过考虑特征传播和相关性变化等因素来减轻歧视，设计了两种特征蒙版策略；提出 FairVGNN 用于生成功能的公正视图，实验结果证明其在模型效用和公正性之间具有更好的权衡。

    Jun, 2022