Richtung Fairer Grafik-Anomalieerkennung: Problem, neue Datensätze und Bewertung

Das Problem der Fairen Grafik-Anomalieerkennung (FairGAD) zielt darauf ab, anomale Knoten in einem Eingabegrafen genau zu erkennen, während Fairness sichergestellt wird und Vorurteile gegen Individuen aus sensiblen Untergruppen wie Geschlecht oder politische Neigungen vermieden werden. Fairness in Graphen ist insbesondere in Bereichen der Anomalieerkennung, wie der Erkennung von Fehlinformationen in Such-/Rangsystemen, von entscheidender Bedeutung, da die Ergebnisse von Entscheidungen erheblichen Einfluss auf Individuen haben können. Die derzeitige Literatur diskutiert dieses Problem jedoch nicht umfassend und bietet auch keine realistischen Datensätze, die tatsächliche Grafstrukturen, Anomalielabels und sensible Attribute für die Forschung in FairGAD umfassen. Um diese Lücke zu schließen, führen wir eine formale Definition des FairGAD-Problems ein und präsentieren zwei neuartige Grafikdatensätze, die aus den weltweit prominenten sozialen Medienplattformen Reddit und Twitter erstellt wurden. Diese Datensätze bestehen aus 1,2 Millionen und 400.000 Kanten, die jeweils mit 9.000 und 47.000 Knoten verbunden sind, und nutzen politische Neigungen als sensible Attribute und Verbreiter von Fehlinformationen als Anomalielabels. Wir zeigen, dass sich unsere FairGAD-Datensätze signifikant von den synthetischen Datensätzen unterscheiden, die derzeit von der Forschungsgemeinschaft verwendet werden. Diese neuen Datensätze bieten signifikante Werte für FairGAD, indem sie realistische Daten bereitstellen, die die Komplexität sozialer Netzwerke erfassen. Mit unseren Datensätzen untersuchen wir den Leistungs-Fairness-Handel in elf bestehenden GAD- und Nicht-Graf-AD-Methoden in fünf hochmodernen Fairness-Methoden, was Licht auf ihre Effektivität und Grenzen bei der Lösung des FairGAD-Problems wirft.