公平图神经网络的子图过滤

arXiv cs.LG 论文
graph-neural-networks fairness subgraph-filtering bias-mitigation machine-learning

摘要

本文提出了公平图神经网络的子图过滤（SF-GNN）框架，该框架通过过滤边来减轻图神经网络中的结构偏差，以改善公平性-准确性权衡。

arXiv:2608.26437v1 公告类型：新 摘要：图神经网络（GNNs）即使在节点特征中排除敏感属性时，也可能表现出不公平行为，因为图拓扑和消息传递在敏感同质性下传播群体相关信号。现有的公平感知GNN方法主要在全局层面约束表示或预测分布，而未显式控制聚合过程中偏差信息传播的局部结构路径。我们提出公平图神经网络的子图过滤（SF-GNN），这是一个轻量级且架构无关的框架，旨在从源头减轻结构偏差。SF-GNN通过结合敏感同质性与结构传播放大器（包括枢纽参与和三元闭包）来识别易偏差边。然后，它将随机边过滤纳入每个消息传递步骤，以选择性降低权重或移除这些边，同时保留剩余图结构。训练进一步融入统计正则器，配合预热调度以稳定优化。在五个基准数据集上的实验表明，SF-GNN在保持竞争力预测性能的同时，实现了公平性的持续改进，与近期公平感知GNN基线相比，达成了更好的公平性-准确性权衡。
查看原文
查看缓存全文

缓存时间: 2026/08/28 09:39 

# 面向公平图神经网络的子图过滤方法  
来源：https://arxiv.org/abs/2608.26437  
查看PDF (https://arxiv.org/pdf/2608.26437) HTML \(实验性\) (https://arxiv.org/html/2608.26437v1)

> 摘要：图神经网络 \(GNNs\) 即使在节点特征中排除了敏感属性，仍可能表现出不公平行为，因为图拓扑结构和消息传递会在敏感同质性条件下传播与群体相关的信号。现有的公平感知GNN方法主要在全局层面约束表征或预测分布，而未能显式控制聚合过程中偏差信息传播的局部结构路径。本文提出面向公平图神经网络的子图过滤方法 \(SF-GNN\)，这是一个轻量级且与架构无关的框架，能够在偏差源头缓解结构性偏见。SF-GNN通过结合敏感同质性与结构传播放大器（包括枢纽参与度和三角闭合效应）来识别易产生偏差的边。随后在每个消息传递步骤中融入随机边过滤机制，选择性降低这些边的权重或将其移除，同时保持剩余图结构的完整性。训练过程还引入了带有预热调度策略的统计平等正则化项以稳定优化过程。在五个基准数据集上的实验表明，SF-GNN在保持具有竞争力的预测性能的同时，能持续改善公平性，相比近期公平感知GNN基线方法实现了更优的公平性-准确性权衡。

## 提交流程  
来自：Haohui Lu \[查看邮件 (https://arxiv.org/show-email/87f59061/2608.26437)\] **\[版本1\]** 2026年8月26日 星期三 22:40:31 UTC \(148 KB\)

相似文章

图神经网络的凸-凹二次谱滤波

arXiv cs.LG

提出了DCQ-GNN，一种谱图神经网络，它使用一组紧凑的自适应凸-凹二次滤波器来提高谱选择性，而无需高阶多项式，在同质性和异质性图上均取得了有竞争力的结果。

Schreier-Coset Graph Rewiring

arXiv cs.LG

提出了 Schreier-Coset 图重连（Schreier-Coset Graph Rewiring），一种基于群论的图重连方法，用于 GNN，通过改善谱间隙和有效电阻来缓解过度挤压问题。实验结果表明，该方法在多种学习任务中显著降低了有效电阻。