公平感知的最优图滤波器设计
本文主要研究了图中预测任务的算法公正问题,提出了一种嵌入不可知的修复过程以实现组内和个体的公正权衡,并在实验中验证了该方法对不同公正概念和预测准确性的显式控制能力。
Oct, 2020
本文提出了一种基于干预的因果公平性框架,用于在部分已知因果图的情况下实现公平预测,该方法使用部分有向无环图(PDAG)来度量因果公平性,并制定一个受限制的优化问题来平衡公平性和准确性。模拟和真实数据集的结果证明了该方法的有效性。
Jan, 2024
讨论如何使用因果贝叶斯网络和最优输运理论来处理机器学习公平性问题,尤其是在复杂的不公平场景下,提出了一种统一的框架来处理不同的情况和公平标准,并介绍了一种学习公平表示的方法和一种考虑敏感属性使用限制的技术。
Dec, 2020
机器学习与图形处理近年来受到越来越多的关注,因其能够分析和学习关键的互连系统内的复杂关系。然而,这些算法中使用的有偏图结构带来的不平等影响引发了在实际决策系统中部署的重要关注。此外,尽管合成图形生成对于隐私和可扩展性考虑至关重要,但生成式学习算法对结构偏差的影响尚未得到研究。基于这一动机,本研究侧重于实际和合成图形的结构偏差分析和缓解。具体而言,我们首先理论分析导致对二元关系预测不平等的结构偏差的来源。为了减轻已确定的偏见因素,我们设计了一种新颖的公平正则化器,具有多种用途。针对本研究揭示的图形生成模型中的偏见放大问题,我们进一步提出了一个公平图形生成框架 FairWire,通过在生成模型中利用我们的公平正则化器设计。对真实世界网络的实验结果验证了本文提出的工具在实际和合成图形的结构偏差缓解中的有效性。
Feb, 2024
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
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
最近的研究强调了图神经网络(GNN)中的公平性问题,即 GNN 针对被敏感属性(如种族和年龄)分类的特定保护群体产生了歧视性预测。针对这个问题的不同努力取得了显著进展,但往往专门针对特定的敏感属性,因此需要从头开始对模型进行重新训练以满足敏感属性需求的变化,导致高计算成本。为了更深入地了解这个问题,我们从因果建模的视角来考虑图公平性问题,认为敏感属性引起的混淆效应是其根本原因。出于这一观察的动机,我们从不变学习的角度来公式化图公平性问题,旨在学习跨环境的不变表示。因此,我们提出了一个基于不变学习的图公平性框架,名为 FairINV,它能够在单个训练会话中训练公平的 GNN 模型以适应多种敏感属性。具体而言,FairINV 通过将敏感属性进行划分,并消除标签与各种敏感属性之间的虚假相关性来训练公平的 GNN 模型。在几个真实数据集上的实验证明,FairINV 在公平性方面明显优于最先进的方法,突出了其有效性。我们的代码可通过此 https://URL 获得。
Jun, 2024
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
本研究通过自适应特征遮蔽和边缘删除的公平感知图扩充设计,在图对比学习中解决了公平性问题,提出了不同的图上公平性概念,并提供了理论分析来量化证明所提出的特征遮蔽方法可以降低内部偏见。实验结果表明,所提出的扩充方法可以提高平等机会和统计平等的公平性,并为无节点分类的对照方法提供了可比较的分类准确性。
Jun, 2021
我们提出了一种公平估计的高斯图模型,该模型可以通过两个偏差度量来促进不同敏感属性的节点组之间的统计相似性的平衡。利用这些度量,我们提出了一种称为 Fair GLASSO 的正则化图拉索方法,以获得在组之间具有无偏统计依赖关系的稀疏高斯精度矩阵。我们还提出了一种高效的近端梯度算法来获得这些估计值。在理论上,我们阐明了公平性和准确性之间的权衡关系,包括在公平性约束下准确性可以得到保持的情况。此外,我们研究了 Fair GLASSO 的复杂性,并证明了我们的算法具有快速收敛速度。通过合成和真实世界的模拟验证,我们展示了我们提出的优化问题和迭代算法的价值和有效性。
Jun, 2024