AAAIDec, 2023

追求图中的公平性：基于 GNN 架构的视角

PDF
TL;DR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。
graph neural networksfairnessgnn architecturefmpnode classification
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 图神经网络公平性的对抗攻击

    对公平性感知的图神经网络进行了对抗攻击研究，提出了 G-FairAttack 攻击框架，可有效地破坏不同类型的图神经网络的公正性而保持攻击不被察觉，以此揭示了公平性感知的图神经网络潜在的漏洞，并引导进一步研究图神经网络在公平性方面的鲁棒性。

    Oct, 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

  • 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

  • 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

  • 将联邦图神经网络与结构感知的组公平性相结合

    F2GNN 是一种公平的联邦图神经网络，旨在解决分布式环境下模型偏见的问题，并通过公平感知的局部模型更新和公平加权的全局模型更新机制来提高模型的公平性和准确性。

    Oct, 2023

  • 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