Networked Inequality: Preferential Attachment Bias in Graph Neural Network Link Prediction

要約

グラフ ニューラル ネットワーク (GNN) リンク予測は、学術文献、共同研究者、友人を推奨するために、引用、コラボレーション、オンライン ソーシャル ネットワークにますます導入されています。
これまでの研究では GNN リンク予測の二項公平性が調査されてきましたが、グループ内公平性とリンク予測の「金持ちがさらに金持ちになる」ダイナミクスについてはまだ十分に調査されていません。
ただし、これらの側面は、ネットワークの度数と電力の不均衡に重大な影響を及ぼします。
この論文では、ネットワークの次数バイアスがグラフ畳み込みネットワーク (GCN) のリンク予測にどのような影響を与えるかを明らかにします。
特に、対称正規化グラフ フィルターを持つ GCN にはグループ内で優先的な愛着バイアスがあることが理論的に明らかになりました。
現実世界の引用、コラボレーション、オンライン ソーシャル ネットワークに関する理論分析を検証します。
さらに、GCN の優先アタッチメントバイアスとリンク予測の不公平性を橋渡しし、新しいグループ内公平性指標を提案します。
この指標は、程度と力の格差の拡大に対処するために、社会グループ間のリンク予測スコアの格差を定量化します。
最後に、グループ内の不公平を軽減するための簡単なトレーニング時間戦略を提案し、それが引用、オンライン ソーシャル、信用ネットワークで効果的であることを示します。

要約(オリジナル)

Graph neural network (GNN) link prediction is increasingly deployed in citation, collaboration, and online social networks to recommend academic literature, collaborators, and friends. While prior research has investigated the dyadic fairness of GNN link prediction, the within-group fairness and “rich get richer” dynamics of link prediction remain underexplored. However, these aspects have significant consequences for degree and power imbalances in networks. In this paper, we shed light on how degree bias in networks affects Graph Convolutional Network (GCN) link prediction. In particular, we theoretically uncover that GCNs with a symmetric normalized graph filter have a within-group preferential attachment bias. We validate our theoretical analysis on real-world citation, collaboration, and online social networks. We further bridge GCN’s preferential attachment bias with unfairness in link prediction and propose a new within-group fairness metric. This metric quantifies disparities in link prediction scores between social groups, towards combating the amplification of degree and power disparities. Finally, we propose a simple training-time strategy to alleviate within-group unfairness, and we show that it is effective on citation, online social, and credit networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google