公平图学习需要表达力：从谱视角重新思考公平性

《ACM Transactions on Knowledge Discovery from Data》：Fair Graph Learning Needs Expressiveness: Rethinking Fairness from the Spectral Perspective

　　

摘要AI摘要

要查看此AI生成的摘要，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

图神经网络（GNNs）已取得显著成功，但容易编码和放大社会偏见。当前公平图学习研究主要聚焦于通过输入数据预处理、训练优化或模型架构修改来开发专门的去偏技术，其假设是GNN骨干网络是一个可替换的组件，能够独立生成一个去偏的表示空间。本文重新审视了这一主流范式，证明骨干GNN的表达力对公平性结果具有关键影响。通过频域理论分析，我们建立了GNN表达力与消除线性统计偏见之间的联系。我们正式证明了：缺乏频谱表达力的GNN架构会对表示空间施加严格约束，使得敏感属性与目标预测logits之间的有害线性相关性在任何低表达力骨干与在该骨干表示空间内作用的去偏算子组合下都会被保留。因此，普遍频谱表达力是该类方法中消除预测与敏感属性之间线性相关性的必要条件，尽管其本身并不充分。基于此发现，我们提出了一个公平图学习框架，将具有强大图级过滤和节点级信号变换能力的普遍表达力GNN骨干，与在logits空间中操作的轻量级线性去相关模块相结合。在六个真实数据集上的综合评估表明，FairFormer在准确率与公平性之间取得了良好的平衡，并在大多数基准测试中被评为最佳或接近最佳的公平性方法。然而，在Bail和Pokec_n数据集上，仅依靠线性去相关模块并不能在所有公平性指标上超越所有基线方法。我们的结果与消除预测和敏感属性之间线性相关性需要频谱表达力的必要性相一致，确立了表达力作为可信GNN设计的关键设计维度。代码可在 https://github.com/qslim/expressive-fair-learning 获取。

AI摘要

AI生成摘要（实验性）

本摘要由自动化工具生成，未经文章作者撰写或审核。其目的是支持文献发现，帮助读者评估相关性，并协助来自相邻研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。完整文章仍为权威版本。

点击 此处 对此摘要的准确性、清晰度和实用性发表评论。这样做将有助于改进和未来的重新生成版本。

要查看此AI生成的简明摘要，您需要拥有高级访问权限。