通过图信息解耦学习图的表示方法

《Neural Networks》：Learning Fair Graph Representation Through Graph Information Disentanglement

　　

陈青峰|魏武杰|程德波|刘楚勋|解金义|甘江章|张世超

摘要

图神经网络（GNNs）被广泛应用于图结构数据中，但它们常常存在公平性问题，因为节点属性和图拓扑中的固有偏见可能导致歧视性预测。现有方法通常试图在单一的、相互关联的表示中减轻所有类型的偏见，从而限制了去偏处理的效率。为了解决这一限制，我们提出了FairGID，这是一个用于公平图表示学习的新框架，它通过将拓扑与节点属性分离并解耦节点表示来提高公平性。具体而言，FairGID首先独立学习仅包含属性的表示和仅包含结构的表示。然后，它将属性表示进一步分解为多个潜在因子，并应用敏感属性掩码来抑制与偏见相关的信息。最后，一个对抗性融合模块将属性表示和结构表示整合成一个既具有信息性又公平的统一嵌入。在五个真实世界数据集上的广泛实验表明，FairGID在准确性和公平性之间的权衡上优于现有的最佳方法，凸显了其作为公平图表示学习有效解决方案的潜力。