FUGNN: Harmonizing Fairness and Utility in Graph Neural Networks

要約

公平性を意識したグラフ ニューラル ネットワーク (GNN) は、公平性を優先すると実用性を犠牲にする必要がある場合があるため、困難なトレードオフに直面することがよくあります。
この研究では、スペクトル グラフ理論のレンズを通して公平性を再検討し、スペクトル グラフ学習の枠組み内で公平性と有用性を調和させることを目的としています。
私たちは、理論分析を使用して、元の高感度特徴と、さまざまなスペクトルの下での畳み込み後の高感度特徴との間の類似性を描写し、GNN の高感度特徴とスペクトルの間の相関関係を調査します。
私たちの分析では、最大の大きさの固有値に関連付けられた固有ベクトルが方向の類似性を示す場合、類似性の影響が軽減されることが明らかになりました。
これらの理論的洞察に基づいて、公平性と実用性の間の矛盾を調和させる新しいスペクトル グラフ学習アプローチである FUGNN を提案します。
FUGNN は、エンコード プロセス中にスペクトルを切り詰め、固有ベクトルの分布を最適化することにより、アルゴリズムの公平性と実用性を保証します。
公平性を意識した固有ベクトルの選択により、機密性の高い特徴に対する畳み込みの影響が軽減され、同時に実用性の犠牲が最小限に抑えられます。
FUGNN は、トランスフォーマー アーキテクチャを通じて固有ベクトルの分布をさらに最適化します。
最適化されたスペクトルをグラフ畳み込みネットワークに組み込むことにより、FUGNN はノード表現を効果的に学習します。
6 つの現実世界のデータセットでの実験により、FUGNN がベースライン手法よりも優れていることが実証されました。
コードは https://github.com/yushuowiki/FUGNN で入手できます。

要約(オリジナル)

Fairness-aware Graph Neural Networks (GNNs) often face a challenging trade-off, where prioritizing fairness may require compromising utility. In this work, we re-examine fairness through the lens of spectral graph theory, aiming to reconcile fairness and utility within the framework of spectral graph learning. We explore the correlation between sensitive features and spectrum in GNNs, using theoretical analysis to delineate the similarity between original sensitive features and those after convolution under different spectra. Our analysis reveals a reduction in the impact of similarity when the eigenvectors associated with the largest magnitude eigenvalue exhibit directional similarity. Based on these theoretical insights, we propose FUGNN, a novel spectral graph learning approach that harmonizes the conflict between fairness and utility. FUGNN ensures algorithmic fairness and utility by truncating the spectrum and optimizing eigenvector distribution during the encoding process. The fairness-aware eigenvector selection reduces the impact of convolution on sensitive features while concurrently minimizing the sacrifice of utility. FUGNN further optimizes the distribution of eigenvectors through a transformer architecture. By incorporating the optimized spectrum into the graph convolution network, FUGNN effectively learns node representations. Experiments on six real-world datasets demonstrate the superiority of FUGNN over baseline methods. The codes are available at https://github.com/yushuowiki/FUGNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google