Core Concepts
그래프 데이터의 편향을 완화하고 공정성을 향상시키기 위해 지도 대조 손실과 환경 손실을 활용한 새로운 프레임워크를 제안한다.
Abstract
이 논문은 그래프 신경망(GNN)에서 공정성 문제를 다루는 새로운 프레임워크를 제안한다. 기존의 Counterfactual Augmented Fair Graph Neural Network Framework (CAF)를 확장하여, 지도 대조 손실과 환경 손실을 추가로 도입하였다.
지도 대조 손실은 유사한 레이블을 가진 노드들의 콘텐츠 정보가 유사하도록 학습하여, 민감 속성과 무관한 표현을 학습하도록 한다. 환경 손실은 민감 속성이 다른 노드들의 환경 정보가 다르도록 학습하여, 민감 속성 관련 정보가 환경 정보에 집중되도록 한다.
실험 결과, 제안 모델인 SCCAF는 기존 방법들에 비해 성능과 공정성을 동시에 향상시킬 수 있음을 보여준다. 독일 신용, 보석금, 신용 부도 데이터셋에서 정확도와 공정성 지표가 모두 개선되었다.
Stats
독일 신용 데이터셋에서 SCCAF의 AUC는 66.07%, F1 점수는 82.38%로 향상되었다.
보석금 데이터셋에서 SCCAF의 AUC는 98.01%, F1 점수는 95.48%로 향상되었다.
신용 부도 데이터셋에서 SCCAF의 AUC는 70.03%, F1 점수는 86.83%로 향상되었다.
Quotes
"그래프 데이터에 내재된 편향을 완화하고 공정성을 향상시키는 것이 중요한 연구 과제이다."
"제안 모델인 SCCAF는 성능과 공정성을 동시에 향상시킬 수 있음을 실험 결과를 통해 보여준다."