On Generalized Degree Fairness in Graph Neural Networks

要約

従来のグラフ ニューラル ネットワーク (GNN) は、ノード属性やノードを囲む隣接ノードなどの入力に起因する公平性の問題に直面することがよくあります。
センシティブな属性に根ざしたバイアスを排除するためにいくつかの最近のアプローチが提案されていますが、それらは GNN の他の重要な入力、つまりノードの隣接ノードを無視しています。
特に、ノード間のさまざまな近隣構造は、大幅に異なるノード度で現れ、ノードの多様な動作と偏った結果を引き起こします。
この論文では、最初に、異なるノードの周りの異なるマルチホップ構造の発現と定量化として、ノード次数の一般化された定義を使用して次数バイアスを定義し、一般化します。
ノード分類のコンテキストでバイアスに対処するために、Generalized Degree Fairness-centric Graph Neural Network (Deg-FairGNN) と呼ばれる新しい GNN フレームワークを提案します。
具体的には、各 GNN レイヤーで、学習可能なバイアス緩和関数を使用してバイアス緩和コンテキストを生成します。これは、ノード間の多様な次数に起因する次数バイアスを排除するために、レイヤーごとの近傍集約を調整します。
3 つのベンチマーク データセットでの広範な実験により、精度と公平性の両方の指標に対するモデルの有効性が実証されました。

要約(オリジナル)

Conventional graph neural networks (GNNs) are often confronted with fairness issues that may stem from their input, including node attributes and neighbors surrounding a node. While several recent approaches have been proposed to eliminate the bias rooted in sensitive attributes, they ignore the other key input of GNNs, namely the neighbors of a node, which can introduce bias since GNNs hinge on neighborhood structures to generate node representations. In particular, the varying neighborhood structures across nodes, manifesting themselves in drastically different node degrees, give rise to the diverse behaviors of nodes and biased outcomes. In this paper, we first define and generalize the degree bias using a generalized definition of node degree as a manifestation and quantification of different multi-hop structures around different nodes. To address the bias in the context of node classification, we propose a novel GNN framework called Generalized Degree Fairness-centric Graph Neural Network (Deg-FairGNN). Specifically, in each GNN layer, we employ a learnable debiasing function to generate debiasing contexts, which modulate the layer-wise neighborhood aggregation to eliminate the degree bias originating from the diverse degrees among nodes. Extensive experiments on three benchmark datasets demonstrate the effectiveness of our model on both accuracy and fairness metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google