Fair Graph Representation Learning durch sensibles Attribut-Entwirren

Gruppenfairness für Graph Neural Networks (GNNs), die algorithmische Entscheidungen betont, die weder bestimmte Gruppen, die durch sensible Attribute definiert sind (z. B. Rasse und Geschlecht), begünstigen noch schädigen, hat erhebliche Aufmerksamkeit erregt. Insbesondere ist das Ziel der Gruppenfairness, sicherzustellen, dass die Entscheidungen der GNNs unabhängig vom sensiblen Attribut getroffen werden. Um dieses Ziel zu erreichen, beinhalten die meisten bestehenden Ansätze die Eliminierung von Informationen zu sensiblen Attributen in Knotenrepräsentationen oder algorithmischen Entscheidungen. Solche Ansätze können jedoch auch aufgabenbezogene Informationen aufgrund ihrer inhärenten Korrelation mit dem sensiblen Attribut eliminieren, was zu einem Verlust an Nutzen führt. In dieser Arbeit konzentrieren wir uns darauf, die Fairness von GNNs zu verbessern, während wir aufgabenbezogene Informationen bewahren, und schlagen ein faires GNN-Framework namens FairSAD vor. Anstatt sensible Attributinformationen zu eliminieren, verbessert FairSAD die Fairness von GNNs durch Sensitive Attribute Disentanglement (SAD), das die sensiblen Attribut-bezogenen Informationen in eine unabhängige Komponente trennt, um deren Einfluss zu mindern. Darüber hinaus nutzt FairSAD einen Kanalmaskierungsmechanismus, um adaptiv die sensible Attribut-bezogene Komponente zu identifizieren und anschließend zu dekorelieren. Insgesamt minimiert FairSAD den Einfluss des sensiblen Attributs auf die GNN-Ergebnisse, anstatt sensible Attribute zu eliminieren, wodurch aufgabenbezogene Informationen, die mit dem sensiblen Attribut verbunden sind, bewahrt werden. Darüber hinaus zeigen Experimente an mehreren realen Datensätzen, dass FairSAD andere state-of-the-art Methoden erheblich in Bezug auf Fairness und Nutzenleistung übertrifft. Unser Quellcode ist verfügbar unter https://github.com/ZzoomD/FairSAD.