FairGuide: Neue Verbindungen für faire Graphen und gerechte Gemeinschaften

Graph Neural Networks (GNNs) haben in den letzten Jahren enorme Fortschritte erzielt, doch ihre Leistung wird oft durch Verzerrungen in den zugrunde liegenden Graphstrukturen eingeschränkt. Diese Biases wirken sich negativ auf die Fairness der von GNNs erzeugten Vorhersagen aus.

Die Idee hinter FairGuide besteht darin, die bestehenden Graphstrukturen gezielt zu verbessern, indem neue Kanten eingefügt werden, die die Gleichbehandlung von Knoten fördern. Durch diese „Fairness‑Guidance via New Links“ können Gemeinschaften entstehen, die weniger voreingenommen sind und damit die Gerechtigkeit in den nachfolgenden Anwendungen erhöhen.

FairGuide nutzt einen differenzierbaren Community‑Detection‑Aufgabe als Pseudo‑Downstream‑Task. Theoretische Analysen zeigen, dass die Optimierung der Fairness in diesem Pseudo‑Task die strukturelle Fairness signifikant steigert und die Fairness‑Generalisation auf verschiedenste Downstream‑Anwendungen ausweitet.

Ein zentrales Merkmal des Ansatzes ist die Verwendung von Meta‑Gradienten aus dem Fairness‑Guidance‑Ziel, um neue Kanten zu identifizieren, die die strukturelle Fairness besonders stark verbessern. Umfangreiche Experimente belegen, dass FairGuide in einer Vielzahl von graphbasierten Fairness‑Aufgaben sowohl effektiv als auch generalisierbar ist.