缩小公平鸿沟：在图神经网络中实现群体和个体公平

Apr, 2024

缩小公平鸿沟：在图神经网络中实现群体和个体公平

Bridging the Fairness Divide: Achieving Group and Individual Fairness in Graph Neural Networks

Duna Zhan, Dongliang Guo, Pengsheng Ji, Sheng Li

TL;DR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。

Abstract

graph neural networks (GNNs) have emerged as a powerful tool for analyzing and learning from complex data structured as graphs, demonstrating remarkable effectiveness in various applications, such as social network analysis, recommendation systems, and drug discovery. However, despite

graph neural networks fairness individual fairness group fairness graph learning

发现论文，激发创造

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

GRAPHGINI：在图神经网络中促进个体和群体的公平性

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。

Feb, 2024

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

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

无偏见！个性化推荐的公平联邦图神经网络

确保在推荐系统中跨人口群体的公平性至关重要，本文提出了一种名为 F2PGNN（公平联邦个性化图神经网络）的新框架，通过结合个性化图神经网络和公平考虑来解决不同人口群体之间固有偏见的普遍问题，在保护个人隐私和保持效用的同时，在联邦学习环境中使用基于图的模型实现了公平的个性化推荐。

Dec, 2023

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

图神经网络的子群泛化和公平性

本论文通过 PAC-Bayesian 分析来研究非 IID 半监督学习设置下的图神经网络（GNNs）的广义化性能，并分析了不同子组的未标记节点的广义化表现，以从理论角度进一步研究 GNNs 的准确性 -(不) 平等式（不）公平性。实验证实了我们的理论结果。

Jun, 2021

带有监督对比正则化的公平图神经网络

我们提出了一种用于训练关注公平性的图神经网络的新模型，该模型通过整合监督对比损失和环境损失来提高准确性和公平性，实验证明该模型在三个真实数据集上优于其他现有的基于图的学习方法以及之前的模型。

Apr, 2024