BeMap：用于公平图神经网络的平衡信息传递

Jun, 2023

BeMap：用于公平图神经网络的平衡信息传递

BeMap: Balanced Message Passing for Fair Graph Neural Network

Xiao Lin, Jian Kang, Weilin Cong, Hanghang Tong

TL;DR本文针对图神经网络中信息传递中的不公平性问题，提出了一种名为 BeMap 的方法，该方法通过平衡感知采样策略来平衡不同人口群体之间的 1-hop 邻居节点数，从而解决信息传递过程中的偏见放大问题，实验证明该方法有效降低偏见同时保持分类准确性。

Abstract

graph neural network (GNN) has shown strong empirical performance in many downstream tasks by iteratively aggregating information from the local neighborhood of each node, i.e., message passing. However, concrete

graph neural network algorithmic fairness bias amplification message passing bemap

发现论文，激发创造

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

面向公平性的图神经网络消息传递

提出了一种新颖的公平感知消息传递框架 GMMD，该框架考虑了图平滑性和表示公平性，并且可以显著提高各种 GNN 模型的公平性，同时保持高精度。

Jun, 2023

追求图中的公平性：基于 GNN 架构的视角

通过提出一种新的图神经网络架构，即 FMP，该研究旨在通过在模型架构层面实现公平性，解决 GNN 在公平性性能方面相对较差的问题。实验表明，所提出的 FMP 在三个真实世界的数据集上，在公平性和准确性方面优于几种基准方法。

Dec, 2023

公平抽样：高效训练公平准确的图卷积神经网络

本文主要研究了图卷积神经网络（GCNs）中的公平性问题，以及如何训练公平且准确的 GCNs。研究着重分析了图结构偏差、节点属性偏差和模型参数对 GCNs 中的人口平等性的影响，提出了一个名为 FairSample 的框架来共同解决这些偏差，其中采用了注入边缘和使用增强学习的可学习邻居采样策略来改善图结构和保证模型的公平性和质量，同时还采用了正则化目标来优化公平性。

Jan, 2024

基于记忆的消息传递：将传播信息与判别分离

提出了基于记忆的消息传递方法（MMP），以解决现有消息传递方法在不光滑和噪声建模上的缺陷，通过记忆分离节点信息为鉴别和传播两部分，并发展控制机制和解耦合法则以提高所提出方法的效果和鲁棒性。

Feb, 2022

在消息传递中注入池化以提升图神经网络性能

该研究提出了一种新的、适应性强的信息传递框架 ——bilateral-MP，利用节点类别信息估计成对的模块化梯度，并在聚合函数应用时利用梯度进一步保留全局图结构，在五个中等规模基准数据集上的实验表明，bilateral-MP 可以有效防止过度平滑导致的性能降低。

Feb, 2022

自适应消息传递的二分图网络用于无偏场景图生成

通过引入自适应消息传递的置信度感知双分图神经网络和高效的双层数据重新采样策略，可以有效地消除偏差，进而实现对场景图生成的均衡处理。该方法在多个具有挑战性的数据集上实现了卓越或具有竞争力的性能，包括 Visual Genome，Open Images V4/V6。

Apr, 2021

公平感知的图神经网络：一份调查

通过对图神经网络的公平性技术进行分类和研究，本文介绍了改善图神经网络公平性的先前工作，包括预处理步骤、训练过程和后处理阶段，同时提出了公平性评价指标的直观分类，并对用于基准测试的图数据集进行了总结，还针对未解决的关键问题和挑战进行了讨论。

Jul, 2023

图神经网络中的熵感知消息传递

本文介绍了一种受物理启发的 GNN 模型，用于改善深度图神经网络中的过度平滑问题，该模型与现有的 GNN 架构相集成，引入了一种熵感知的消息传递项，在节点聚合过程中执行熵的梯度上升，从而在嵌入中保留一定程度的熵。我们通过对多个常见数据集进行比较分析，评估了我们的模型与最先进的 GNN 模型的性能。

Mar, 2024

公平 GNN 的人口迁移

提出了一种名为 FairMigration 的新型框架，它可以动态迁移人口群体，解决在训练 Fair GNNs 时存在的个人敏感信息偏见问题，该框架分为两个学习阶段，第一个阶段进行个人化自监督学习并动态调整人口群体，第二个阶段在新的人口群体约束和对抗训练下进行的监督学习，实验表明该框架能很好地平衡模型性能和公平性。

Jun, 2023