研究人员开发了一个名为子图过滤用于公平图神经网络(SF-GNN)的新框架,以解决图神经网络中的不公平问题。该方法通过识别和过滤传播敏感信息的边来解决结构偏差,即使在没有明确使用敏感属性的情况下也是如此。SF-GNN 在 GNN 的消息传递步骤中选择性地降低或移除这些易产生偏差的边。在多个数据集上的实验表明,SF-GNN 在保持强大预测性能的同时提高了公平性,与现有方法相比,在公平性和准确性之间取得了更好的平衡。 AI
影响 这项研究提供了一种缓解图神经网络偏差的新方法,有望提高其在实际应用中的可靠性和公平性。
排序理由 该集群描述了一篇关于改进图神经网络公平性的新颖框架的新研究论文。
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- graph neural networks
- Hugging Face
- IArxiv
- ScienceCast
- SF-GNN
- edge filtering
- hub participation
- message passing
- sensitive homophily
- statistical-parity regularizer
- triadic closure
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →