Jun, 2024
一尺之法：面向多种敏感属性的公正图神经网络学习
One Fits All: Learning Fair Graph Neural Networks for Various Sensitive
Attributes
TL;DR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。