WWW24 | 分布偏移下的图公平性学习

文章预览

分布偏移下的图公平性学习 1 背景与动机 图神经网络在处理图结构数据中可能继承甚至放大来自训练数据的歧视和社会偏见问题，这可能导致对拥有敏感属性（如性别、年龄、地区和种族）的敏感群体不公平对待，引发社会和伦理问题，限制了图神经网络在如就业市场、刑事司法和信用评分等关键领域的应用。 为了解决这个问题，虽然已经有许多关于公平图神经网络的研究提出，通过增加与公平相关的正则化项到优化目标，采用对抗学习来学习更公平的节点表示，或对图自身进行去偏处理等方法来提高图的公平性，但这些研究都是基于训练和测试数据分布一致的假设之下进行的。 然而，在现实世界中，分布偏移是经常出现的，这可能会对现有公平图神经网络的公平性表现产生不利影响。如图1所示，一个为工作推荐设计的公平图神经网络在一个州 ………………………………