Feb, 2024

GRAPHGINI：在图神经网络中促进个体和群体的公平性

PDF
TL;DR我们提出了 GRAPHGINI 方法，通过 GNN 框架中可学习的注意分数来实现个体公平，并通过基于启发式的最大纳什社会福利约束保证最大可能的群体公平，该方法在实验中显示出在维持效用和群体平等的情况下，在个体公平方面相比其他最先进的方法有显著改进。
gnnsfairnessgraphginiindividual fairnessgroup fairness
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 通过重加权和调整实现个体公平性

    通过在德国信贷批准数据集上的实验证明，将图拉普拉斯正则化程序用于算法公平性技术可以提高个人公平性并降低偏差，同时揭示了 Prediction Consistency 评分可能会误导的问题。

    May, 2024

  • 一尺之法：面向多种敏感属性的公正图神经网络学习

    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

  • 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

  • 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

  • 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

  • 数据中的魔鬼：通过部分知识蒸馏学习公平的图神经网络

    通过知识蒸馏的方式，我们提出了一种无需个人信息的人口属性不可知方法 FairGKD 来学习公平的图神经网络 (GNNs)，在性能和效益之间取得了平衡，并在多个基准数据集上验证了该方法的有效性。

    Nov, 2023