Disentangling, Amplifying, and Debiasing: Learning Disentangled Representations for Fair Graph Neural Networks

要約

グラフ ニューラル ネットワーク (GNN) は、ソーシャル メディアやヘルスケアなどのさまざまな分野でのグラフ表現学習に不可欠なツールとなっています。
ただし、ノード属性とグラフ構造に固有のバイアスが原因で公平性の問題が発生し、不公平な予測が発生することがよくあります。
これらの課題に対処するために、私たちは、GNN メカニズムの属性、構造、および潜在的なバイアスを解きほぐし、増幅し、バイアスを緩和する新しい GNN フレームワーク DAB-GNN を提案します。
DAB-GNN は、特殊なデエンタングラーによって各タイプのバイアスを分離および増幅するデエンタングルメントおよび増幅モジュールを採用し、続いてサブグループ分布間の距離を最小化するデバイアス モジュールを採用します。
5 つのデータセットに対する広範な実験により、精度と公平性の最適なバランスを達成するという点で、DAB-GNN が最先端の競合他社 10 社よりも大幅に優れていることが実証されました。
DAB-GNN のコードベースは https://github.com/Bigdasgit/DAB-GNN で入手できます。

要約(オリジナル)

Graph Neural Networks (GNNs) have become essential tools for graph representation learning in various domains, such as social media and healthcare. However, they often suffer from fairness issues due to inherent biases in node attributes and graph structure, leading to unfair predictions. To address these challenges, we propose a novel GNN framework, DAB-GNN, that Disentangles, Amplifies, and deBiases attribute, structure, and potential biases in the GNN mechanism. DAB-GNN employs a disentanglement and amplification module that isolates and amplifies each type of bias through specialized disentanglers, followed by a debiasing module that minimizes the distance between subgroup distributions. Extensive experiments on five datasets demonstrate that DAB-GNN significantly outperforms ten state-of-the-art competitors in terms of achieving an optimal balance between accuracy and fairness. The codebase of DAB-GNN is available at https://github.com/Bigdasgit/DAB-GNN

arxiv情報

提供元, 利用サービス

arxiv.jp, Google