AAAI 2024 ｜ FairSIN：通过敏感信息中和来实现公平的图神经网络

 FairSIN : Achieving Fairness in Graph Neural Networks through Sensitive Information Neutralization作者：杨成，刘纪玺，严云鹤，石川单位：北京邮电大学前言：尽管图神经网络（GNNs）在建模图结构数据方面取得了显著的成功，但与其他机器学习模型一样，GNNs也容易由于敏感属性（如种族和性别）的存在做出偏倚的预测。出于公平性考虑，最近的最先进（SOTA）方法提出从输入或表示中过滤掉敏感信息，例如边缘删除或特征屏蔽。然而，我们认为基于过滤的策略可能会过滤掉一些非敏感特征信息，导致预测性能和公平性之间的次优权衡。为解决这一问题，我们提出了一种创新的中和基于范式，其中在消息传递之前将额外的公平性促进特征（F3）纳入节点特征或表示中。F3被期望在统计上中和节点表示中的敏感偏差，并提供额外的非敏感信息。我们还对我们的理论进行了 ………………………………