Jun, 2024
提升无监督图异常检测的公平性通过解耦
Enhancing Fairness in Unsupervised Graph Anomaly Detection through Disentanglement
Wenjing Chang, Kay Liu, Philip S. Yu, Jianjun Yu
TL;DR图异常检测（GAD）在各种应用领域中变得越来越重要，从金融欺诈检测到假新闻检测。然而，目前的 GAD 方法很大程度上忽视了公平性问题，这可能导致偏向某些基于敏感属性（如性别、宗教、种族等）定义的人群的歧视性决策。为了解决这一关键问题，我们首次尝试在 GAD 决策中将公平性与效用相结合。具体而言，我们在属性图上设计了一种名为 DEFEND 的新型基于 DisEntangle 的公平感知异常检测框架，DEFEND 首先引入 GNN 中的解缠结构来捕捉信息丰富但与敏感信息无关的节点表示，有效减少了图表示学习中的社会偏见。此外，为了减轻评估异常节点时的歧视性偏差，DEFEND 采用基于重构的异常检测，仅集中于节点属性而不包含任何图结构。此外，鉴于输入和敏感属性之间的内在联系，DEFEND 对重构误差与预测敏感属性之间的相关性进行约束。我们在实际数据集上进行了实证评估，结果显示 DEFEND 在 GAD 中的性能有效，显著提升了公平性，相比最先进的基线方法。为了促进可复现性，我们的代码可在此 https URL 找到。