No prejudice! Fair Federated Graph Neural Networks for Personalized Recommendation

要約

パーソナライズされたヘルスケア、金融、電子商取引などのアプリケーションへの RS の統合が増加しているため、人口統計グループ全体でレコメンデーション システム (RS) の公平性を確保することが重要です。
グラフベースの RS は、エンティティ間の複雑な高次の相互作用を捕捉する上で重要な役割を果たします。
ただし、これらのグラフ モデルを公平性制約のあるフェデレーション ラーニング (FL) パラダイムに統合するには、中央サーバーでインタラクション グラフ全体と機密ユーザー情報 (性別、年齢など) にアクセスする必要があるため、大きな課題が生じます。
この論文は、グラフベースのモデルを使用して、フロリダ州環境における機密性の高いユーザー属性のプライバシーを損なうことなく、さまざまな人口統計グループの RS 内に固有のバイアスという広範な問題に対処します。
グループバイアスに対処するために、私たちは F2PGNN (Fair Federated Personalized Graph Neural Network) を提案します。これは、公平性の考慮事項と組み合わせて Personalized Graph Neural Network (GNN) の能力を活用する新しいフレームワークです。
さらに、プライバシー保護を強化するために差分プライバシー技術を使用します。
3 つの公的に利用可能なデータセットに対する実験評価では、プライバシーを保護し、有用性を維持しながら、最新技術と比較してグループの不公平性を 47% ～ 99% 軽減する F2PGNN の有効性を示しています。
この結果は、フロリダ州の環境内で GNN を使用して公平でパーソナライズされた推奨事項を達成する上で、私たちのフレームワークの重要性を検証します。

要約(オリジナル)

Ensuring fairness in Recommendation Systems (RSs) across demographic groups is critical due to the increased integration of RSs in applications such as personalized healthcare, finance, and e-commerce. Graph-based RSs play a crucial role in capturing intricate higher-order interactions among entities. However, integrating these graph models into the Federated Learning (FL) paradigm with fairness constraints poses formidable challenges as this requires access to the entire interaction graph and sensitive user information (such as gender, age, etc.) at the central server. This paper addresses the pervasive issue of inherent bias within RSs for different demographic groups without compromising the privacy of sensitive user attributes in FL environment with the graph-based model. To address the group bias, we propose F2PGNN (Fair Federated Personalized Graph Neural Network), a novel framework that leverages the power of Personalized Graph Neural Network (GNN) coupled with fairness considerations. Additionally, we use differential privacy techniques to fortify privacy protection. Experimental evaluation on three publicly available datasets showcases the efficacy of F2PGNN in mitigating group unfairness by 47% – 99% compared to the state-of-the-art while preserving privacy and maintaining the utility. The results validate the significance of our framework in achieving equitable and personalized recommendations using GNN within the FL landscape.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google