机构名称：
¥ 1.0
图形生成模型由于其在各种应用中的出色表现而越来越多。但是，随着它们的应用的上升，尤其是在高风险的决策情况下 - iOS，对他们的公平性的担忧正在加剧社区内。现有的基于图的生成模型主要集中于合成少数族裔节点，以增强节点分类性能。但是，通过忽略节点生成过程，该策略可能会加剧不同亚组之间的反映差异，从而进一步损害了模型的公平性。此外，现有的过采样方法通过从相应的子组中选择实例来生成样本，从而有可能由于其代表性不足而在这些亚组中过度贴合。此外，它们无法解释亚组之间边缘分布中固有的不平衡，因此在生成图形结构时引入结构偏见。为了应对这些挑战，本文阐明了现有的基于图的采样技术可以扩大现实世界中的偏见，并提出了一种新颖的框架，公平的图形合成少数族裔过度采样技术（FG-Smote），旨在在代表不同的子组方面取得公平的平衡。具体来说，FG-Smote首先从节点repentations中删除子组信息的可识别性。随后，通过从这些亚组中的脱敏节点表示中采样来生成模拟节点的嵌入。最后，采用公平链接预测器来生成图形结构信息。在三个真实图数据集上进行的广泛实验评估表明，FG-Sote在公平性上优于最先进的基线，同时还保持了竞争性的预测性能。
fg-smote：用图神经网络迈向公平的节点分类
主要关键词
相关文件推荐
