.png){kind=icon}
返回
Fair Link Prediction With Overlapping Groups
.png){kind=icon}
OA
AI
DOI：10.1109/TCSS.2024.3479702.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文中，我们介绍了FairLPG框架，用于确保在具有多个敏感属性的图结构中链路预测任务的公平性。在图结构的链路预测背景下，统计均等性（demographic parity）和平等机会（equalized odds）等公平性概念试图确保不同人口统计群体（由不同节点对构成）之间的平均链路概率和真正例率（true positive rates）相等。现有用于链路预测中实现公平性的方法仅考虑单个敏感属性，这使它们不适用于需要考虑多个敏感属性的应用场景。此外，在链路预测的背景下考虑多个敏感属性会导致重叠群体（overlapping）和交叉群体（intersectional）的产生，这进一步增加了此类框架的设计难度。所提出的FairLPG框架假设链路预测模型为每对可能形成边的节点生成一个预测分数，并将其表述为一个凸优化问题，该问题在公平性约束条件下最小化原始预测分数与变换分数之间的平方欧氏距离。然后利用变换后的分数进行公平链路预测。据我们所知，这项工作是首次处理图设置中交叉敏感群体的问题。为证明其有效性，我们在多个真实数据集和基于图神经网络的链路预测模型上部署了FairLPG。该框架在所有数据集和链路预测模型上，无论在公平性还是预测精度方面，均优于或与现有方法表现相当，同时计算效率更高。
Keyword:
Convex optimization
fairness in graphs
link prediction
score transformation
期刊
IF:
4.9
论文数:
635
被引数:
6.8K
机构
引用论文
.png){kind=icon}
分享收藏Sources of Segregation in Social Networks: A Novel Approach Using Facebook社交网络中的隔离来源: 使用Facebook的一种新方法
OAAI
OAAI分享收藏分享收藏
查看更多内容