日本語タイトル#
反事実的デバイアシングによるグラフニューラルネットワークの公平性の向上
英文タイトル#
Improving Fairness in Graph Neural Networks via Counterfactual Debiasing
日本語要約#
グラフニューラルネットワーク（GNNs）は、グラフ構造データのモデリングにおいて成功を収めています。しかし、他の機械学習モデルと同様に、GNNs は人種や性別などの属性に基づく予測において偏見を示す可能性があります。さらに、GNNs における偏見は、グラフ構造やメッセージパッシングメカニズムによって悪化する可能性があります。最近の最先端の手法は、エッジの削除や特徴マスキングのように、入力や表現から敏感な情報をフィルタリングすることで偏見を軽減することを提案しています。しかし、私たちはこれらの戦略が意図せずに非敏感な特徴を排除し、予測精度と公平性のバランスを損なう可能性があると主張します。この課題に対処するために、私たちは偏見軽減のために反事実データ拡張を利用する新しいアプローチを提案します。この方法は、メッセージパッシングの前に反事実を使用して多様な隣接領域を作成し、拡張されたグラフから無偏見のノード表現を学習することを含みます。その後、従来の GNN 分類器によって予測の偏見を減少させるために、対抗的識別器が使用されます。私たちが提案する技術 Fair-ICD は、適度な条件下で GNN の公平性を確保します。標準データセット上での 3 つの GNN バックボーンを使用した実験は、Fair-ICD が公平性指標を著しく向上させながら、高い予測性能を維持することを示しています。
英文要約#
Graph Neural Networks (GNNs) have been successful in modeling graph-structured data. However, similar to other machine learning models, GNNs can exhibit bias in predictions based on attributes like race and gender. Moreover, bias in GNNs can be exacerbated by the graph structure and message-passing mechanisms. Recent cutting-edge methods propose mitigating bias by filtering out sensitive information from input or representations, like edge dropping or feature masking. Yet, we argue that such strategies may unintentionally eliminate non-sensitive features, leading to a compromised balance between predictive accuracy and fairness. To tackle this challenge, we present a novel approach utilizing counterfactual data augmentation for bias mitigation. This method involves creating diverse neighborhoods using counterfactuals before message passing, facilitating unbiased node representations learning from the augmented graph. Subsequently, an adversarial discriminator is employed to diminish bias in predictions by conventional GNN classifiers. Our proposed technique, Fair-ICD, ensures the fairness of GNNs under moderate conditions. Experiments on standard datasets using three GNN backbones demonstrate that Fair-ICD notably enhances fairness metrics while preserving high predictive performance.
文章ページ#
反事実的デバイアシングによるグラフニューラルネットワークの公平性の向上
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを見る