FairSample: Training Fair and Accurate Graph Convolutional Neural Networks Efficiently

要約

グラフ畳み込みニューラル ネットワーク (GCN) が多くの重要なアプリケーションに採用されるにつれて、グラフ畳み込みニューラル ネットワーク (GCN) の公平性はますます重要な問題となっています。
敏感なグループに対する社会的偏見は、現実世界の多くのグラフに存在する可能性があります。
これらのグラフでトレーニングされた GCN は、そのようなバイアスの影響を受けやすい可能性があります。
この論文では、人口統計的平等というよく知られた公平性の概念を採用し、公平で正確な GCN を効率的にトレーニングするという課題に取り組みます。
グラフ構造のバイアス、ノード属性のバイアス、およびモデル パラメーターが GCN の人口統計的パリティにどのような影響を与える可能性があるかについて、詳細な分析を示します。
私たちの洞察は、3 種類のバイアスを共同で軽減するフレームワークである FairSample につながります。
グラフ構造を修正するために 2 つの直感的な戦略を採用しています。
まず、異なる機密グループに属しているがノードの特徴が類似しているノード全体にエッジを挿入します。
次に、モデルの公平性を高め、モデルの品質を維持するために、強化学習を使用して学習可能な近傍サンプリング ポリシーを開発します。
ノードの特徴とモデルのパラメーターの偏りに対処するために、FairSample は公平性を最適化するための正則化目標によって補完されています。

要約(オリジナル)

Fairness in Graph Convolutional Neural Networks (GCNs) becomes a more and more important concern as GCNs are adopted in many crucial applications. Societal biases against sensitive groups may exist in many real world graphs. GCNs trained on those graphs may be vulnerable to being affected by such biases. In this paper, we adopt the well-known fairness notion of demographic parity and tackle the challenge of training fair and accurate GCNs efficiently. We present an in-depth analysis on how graph structure bias, node attribute bias, and model parameters may affect the demographic parity of GCNs. Our insights lead to FairSample, a framework that jointly mitigates the three types of biases. We employ two intuitive strategies to rectify graph structures. First, we inject edges across nodes that are in different sensitive groups but similar in node features. Second, to enhance model fairness and retain model quality, we develop a learnable neighbor sampling policy using reinforcement learning. To address the bias in node features and model parameters, FairSample is complemented by a regularization objective to optimize fairness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google