公平图学习需要表达能力：从谱视角重新审视公平性

《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，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

图神经网络（GNNs）已取得显著成功，但它们容易编码和放大社会偏见。当前公平图学习的研究主要专注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 骨干是一个可替换的组件，能够独立生成去偏的表示空间。本文重新审视了这一主流范式，通过证明骨干 GNN 的表达力对公平性结果有重大影响。通过谱域理论分析，我们建立了 GNN 表达力与消除线性统计偏差之间的联系。我们正式证明，缺乏谱表达力的 GNN 架构对表示空间施加了严格限制，因此，每当低表达力的骨干与在该骨干表示空间内作用的去偏算子配对时，敏感属性和目标预测 logits 之间的有害线性相关性将被保留。因此，通用谱表达力是消除该方法族中线性预测-敏感相关性的必要条件，尽管其本身并不充分。受此发现驱动，我们提出了一种公平图学习框架，该框架将具有通用表达力的 GNN 骨干（利用强大的图级滤波和节点级信号转换）与在 logit 空间中运行的轻量级线性去相关模块配对。在六个真实数据集上的综合评估表明，FairFormer 实现了强大的准确性-公平性权衡，并且在大多数基准测试中排名第一或接近最佳公平性方法。然而，在 Bail 和 Pokec_n 上，仅靠线性去相关模块并不在所有公平性指标上超越所有基线。我们的结果与谱表达力对于预测和敏感属性线性去相关的必要性相一致，确立了表达力作为可信 GNN 设计的关键设计轴。代码可在 https://github.com/qslim/expressive-fair-learning 获取。

AI 摘要

AI 生成摘要（实验性）

本摘要使用自动化工具生成，并非由文章作者撰写或审阅。它旨在支持发现，帮助读者评估相关性，并协助来自邻近研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章仍然是权威的记录版本。点击此处了解更多信息。

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

要查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。