แนวคิดหลัก
バイアスのないGNNを訓練するために、デモグラフィックグループを動的に移行するFairMigrationフレームワークが提案されました。
บทคัดย่อ
Self-Supervised Learning Stage:
GNNは自己教師あり学習によって最適化され、デモグラフィックグループが動的に調整される。
カウンターファクトリアルな公平性に基づいて、エンコーダーが初期最適化される。
ペソ属性値の反転を使用してデモグラフィックグループ移行が実施される。
Supervised Learning Stage:
分類器とエンコーダーが公平性向上のために最適化される。
移行した擬似感度属性は凍結され、公平性制約として使用される。
敵対的トレーニングが導入され、感度属性予測器が最適化される。
Algorithm Complexity:
GNNの計算量はO(G)であり、ノード数はNである。
自己教師あり学習段階では、グラフ拡張の計算量はO(2N)である。
สถิติ
バイアス情報を含む静的感度属性は常に存在し、FairMigrationは高い公平性とモデルパフォーマンスのトレードオフを実現します。