Bridging the Fairness Divide: Achieving Group and Individual Fairness in Graph Neural Networks

要約

グラフ ニューラル ネットワーク (GNN) は、グラフとして構造化された複雑なデータを分析および学習するための強力なツールとして登場し、ソーシャル ネットワーク分析、推奨システム、創薬などのさまざまなアプリケーションで顕著な有効性を実証しています。
しかし、彼らの目覚ましいパフォーマンスにもかかわらず、公平性の問題は考慮すべき重要な側面としてますます注目を集めています。
グラフ学習に関する既存の研究は、グループの公平性または個人の公平性に焦点を当てています。
ただし、各概念は異なる観点から公平性についての独自の洞察を提供するため、それらを公平なグラフ ニューラル ネットワーク システムに統合することが重要です。
私たちの知る限り、個人と集団の公平性の両方に同時に包括的に取り組んだ研究はまだありません。
この論文では、グループ内の個人の公平性の新しい概念と、グラフ学習のコンテキストでグループ内のグループの公平性とグループ内の個人の公平性の両方を考慮する、グループと個人の公平性（FairGI）と呼ばれる新しいフレームワークを提案します。
FairGI は、個人の類似性マトリックスを使用してグループ内の個人の公平性を実現すると同時に、敵対的学習を活用して機会均等と統計的パリティの両方の観点からグループの公平性に対処します。
実験結果は、私たちのアプローチがグループの公平性とグループ内の個人の公平性の点で他の最先端のモデルを上回るだけでなく、同等の予測精度を維持しながら、集団レベルの個人の公平性でも優れたパフォーマンスを示すことを示しています。

要約(オリジナル)

Graph neural networks (GNNs) have emerged as a powerful tool for analyzing and learning from complex data structured as graphs, demonstrating remarkable effectiveness in various applications, such as social network analysis, recommendation systems, and drug discovery. However, despite their impressive performance, the fairness problem has increasingly gained attention as a crucial aspect to consider. Existing research in graph learning focuses on either group fairness or individual fairness. However, since each concept provides unique insights into fairness from distinct perspectives, integrating them into a fair graph neural network system is crucial. To the best of our knowledge, no study has yet to comprehensively tackle both individual and group fairness simultaneously. In this paper, we propose a new concept of individual fairness within groups and a novel framework named Fairness for Group and Individual (FairGI), which considers both group fairness and individual fairness within groups in the context of graph learning. FairGI employs the similarity matrix of individuals to achieve individual fairness within groups, while leveraging adversarial learning to address group fairness in terms of both Equal Opportunity and Statistical Parity. The experimental results demonstrate that our approach not only outperforms other state-of-the-art models in terms of group fairness and individual fairness within groups, but also exhibits excellent performance in population-level individual fairness, while maintaining comparable prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google