GRAPHGINI：在图神经网络中促进个体和群体公平性

我们关注日益加剧的担忧，即在缺乏公平性约束的情况下，图神经网络（GNN）可能会做出偏见决策，对弱势群体或个体造成不成比例的影响。与以前的研究不同，我们首次引入了一种将基尼系数作为公平性度量的方法，以在GNN框架内使用。我们的提案GRAPHGINI在单一系统中实现个体和群体公平的两种不同目标，同时保持高预测准确性。GRAPHGINI通过可学习的注意分数来强制执行个体公平性，这有助于通过相似节点聚合更多信息。基于启发式的最大纳什社会福利约束确保了最大的群体公平性。个体公平约束和群体公平约束均以基尼系数的可微近似形式进行表述。这一近似值的提出很可能对本论文研究范围之外的主题也具有兴趣。与其他先进方法不同，GRAPHGINI自动平衡了GNN的三个优化目标（效用、个体和群体公平性），并且不需要手动调整权重参数。在真实世界数据集上进行的广泛实验展示了GRAPHGINI在提高个体公平性方面的有效性，相比所有现有的先进方法，同时保持效用和群体平等。