Core Concepts
グラフニューラルネットワークにおいて、集団公平性と個人公平性を同時に達成する新しい手法を提案する。
Abstract
本論文では、グラフニューラルネットワーク(GNN)における公平性の問題に取り組んでいる。従来の研究では、集団公平性または個人公平性のいずれかに焦点を当てていたが、両者を同時に達成することは困難であった。
本研究では、新しい概念である「集団内個人公平性」を提案し、集団公平性と個人公平性を同時に最適化する枠組み「FairGI」を開発した。FairGIは以下の特徴を持つ:
集団内の個人公平性を定量化する新しい指標を導入した。
集団公平性(統計的公平性と機会の公平性)と個人公平性(集団内)を同時に最適化するための損失関数を設計した。
敵対的学習とコバリアンス制約を組み合わせることで、集団公平性と個人公平性の両立を実現した。
実験結果から、FairGIは集団公平性と個人公平性を同時に向上させつつ、予測精度も維持できることが示された。さらに、集団間の個人公平性も最も良好な結果を示した。
本研究は、GNNにおける公平性の問題に新しい解決策を提示し、集団公平性と個人公平性の両立に成功した点で意義深い。
Stats
集団公平性の指標であるStatistical Parity(SP)は、予測ラベルˆyと敏感属性sの関係から計算される。
集団公平性の指標であるEqual Opportunity(EO)は、正解ラベルy=1の場合の予測ラベルˆyと敏感属性sの関係から計算される。
個人公平性の指標であるMaxIGは、各グループ内の個人公平性の最大値を表す。
Quotes
"集団公平性と個人公平性は本質的に相反する概念であり、両者を同時に達成することは容易ではない。"
"本研究では、集団内の個人公平性を定量化する新しい指標を提案し、集団公平性と個人公平性を同時に最適化する枠組み「FairGI」を開発した。"
"FairGIは集団公平性と個人公平性を両立させつつ、予測精度も維持できることが実験結果から示された。"