🔥 今日值得一读
GNN偏见源头被找到！新方法精准剪掉“带偏”边，公平性飙升还保精度！
Subgraph Filtering for Fair Graph Neural Networks
👨💼 主理人解读 · 为什么值得关注
通过过滤敏感同质性相关的子图结构，提升GNN公平性，适用于社交网络等敏感属性场景。
📖 AI 总结
该研究提出了一种名为SF-GNN的子图过滤框架，用于缓解图神经网络中的结构性偏见问题。研究发现，即使节点特征中不包含敏感属性，图拓扑结构和消息传递机制仍会通过敏感同质性传播群体相关信号，导致模型产生不公平行为。与现有方法仅在全局层面约束表征或预测分布不同，SF-GNN从源头干预，通过结合敏感同质性与结构传播放大器（如枢纽节点参与度和三角闭包）识别偏见易发边，并在每次消息传递中引入随机边过滤机制，选择性降低或移除这些边的权重。实验基于五个基准数据集表明，SF-GNN在保持竞争性预测性能的同时实现了持续公平性提升，在公平性与准确性权衡上优于近期公平感知GNN基线。该框架轻量且架构无关，为图神经网络公平性研究提供了新的解决思路。
🔑 关键词速览
| Graph Neural Networks (GNNs) | 图神经网络，一种用于处理图结构数据的深度学习模型，通过消息传递聚合邻居信息。 |
| Sensitive homophily | 敏感同质性，指具有相同敏感属性（如种族、性别）的节点倾向于相互连接的图结构现象。 |
| Subgraph Filtering | 子图过滤，一种通过识别并调整图中特定边来减少偏差的方法。 |
| Statistical parity | 统计奇偶性，一种公平性度量，要求不同敏感属性组的预测结果分布相似。 |
| Triadic closure | 三元闭包，指两个节点如果共享一个共同邻居，则它们之间更可能形成边的现象。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅