KDDOct, 2023

边缘节点的重要性：走向图中的结构公平性

PDF
TL;DR在社交网络中，位于边缘区域（边缘节点）的个人与中心的人相比往往会受到不公平待遇。现有的公平性研究主要侧重于保护敏感属性（如年龄和性别），但是图结构所导致的公平性也应该受到关注。本文针对图神经网络中由图结构引发的新型公平性问题，即 “结构公平性”，通过分析多个图并观察到边缘节点在图神经网络中的下游任务表现较差，提出了一种名为 SFairGNN 的结构公平图神经网络，该网络通过基于邻域扩展的结构去偏置和基于跳数的注意力信息聚合相结合，显著提高了结构公平性同时保持下游任务的整体性能。
social networkfairnessgraph structuregraph neural networksstructure fairness
发现论文，激发创造
  • 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

  • 透过自适应数据增强实现公平节点表示学习

    本研究通过理论分析揭示了 Node representation learning 中源自于 nodal features 和 graph structure 的偏见，并提出了针对其固有偏见的公平感知数据增强框架，可广泛用于增强各种基于 GNN 的学习机制的公平性。

    Jan, 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

  • 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

  • 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

  • 缩小公平鸿沟：在图神经网络中实现群体和个体公平

    在图学习的背景下，我们提出了一个名为 Fairness for Group and Individual (FairGI) 的新概念，该概念考虑了组公平性和组内个体公平性，并通过个体之间的相似度矩阵实现了组内个体公平性，同时利用对抗学习来解决组公平性，包括平等机会和统计平衡。实验结果表明，我们的方法在组公平性、组内个体公平性和总体个体公平性方面均优于其他最先进的模型，并且在预测准确性上保持可比较的性能。

    Apr, 2024

  • 图神经网络的公平性攻击：节点注入

    尽管图神经网络（GNNs）在与图相关的任务中展示出了显着的能力，但最近的研究揭示了 GNNs 在面对恶意对抗攻击时的公平性漏洞。然而，所有现有的公平性攻击都需要操纵现有节点之间的连接，在现实中可能是被禁止的。为此，我们提出了一种基于节点注入的公平性攻击（NIFA），在更现实的情况下探索了 GNN 公平性的漏洞。 NIFA 首先为节点注入操作设计了两个有见地的原则，即不确定性最大化原则和同质性增加原则，然后优化注入节点的特征矩阵，以进一步确保公平性攻击的有效性。对三个真实世界数据集的综合实验一致表明，NIFA 可以通过仅注入 1％的节点显着破坏主流 GNNs 的公平性，甚至包括关注公平性的 GNNs。我们真诚希望我们的工作能引起研究人员对 GNN 公平性漏洞的更多关注，并鼓励相应防御机制的开发。

    Jun, 2024

  • GFairHint: 通过公平提示提升图神经网络的个体公平性

    本文提出了 GFairHint 方法，通过辅助链接预测任务学习公平表示，并将表示与原始 GNN 中学习的节点嵌入拼接出 “公平提示”，从而实现在各种 GNN 模型上促进公正性的评估，产生相当的优质结果，而且比之前的最新方法具有更少的计算成本。

    May, 2023

  • 图神经网络在异质临近度下的公平性

    本文研究了节点分类的任务，并建立了群体公平性（以统计平衡和平等机会方式衡量）与局部同配性之间的联系，即链接节点具有相似属性的趋势，在社交网络中，这种同配性通常是由于同质性引起的，而同质性可以迫使个人进入共享敏感属性的社区；通过合成图，我们研究了本地同质性和公平预测之间的相互作用，发现并非所有节点邻域在这方面都是平等的。本文还研究了是否可以将不公平问题与应用 GNN 模型的设计相关联，我们发现采用能够处理非同配组标签的异质性 GNN 设计可以在真实和合成数据集中将局部异质性邻域的群体公平性提高高达 25％，优于同质性设计。

    Jul, 2022

  • 分析 GNN 中采样对个体公平性的影响

    使用小批量训练图神经网络的现有方法提高个体公平性，这对于在推荐系统中应用 GNN 具有重要意义。使用两种 GNN 方法进行评估，证明了利用小批量训练的图神经网络能够实现不仅相当的准确度，而且还能达到更好的公平性，其重要性在于利用局部细节来指导表示学习中的公平性促进过程。

    Sep, 2022