Neues GNN-Modell verbessert Fairness durch homophilieorientierte Kontrastierung

Graph Neural Networks (GNNs) haben in den letzten Jahren enorme Fortschritte bei Aufgaben wie Knotenkategorisierung, Linkvorhersage und Graphrepräsentationslernen erzielt. Trotz dieser Erfolge bleiben sie anfällig für Verzerrungen, die nicht nur aus Knotenattributen, sondern auch aus der Graphstruktur selbst entstehen. Die Gewährleistung von Fairness in GNNs ist daher zu einer zentralen Forschungsfrage geworden.

In der vorliegenden Arbeit wird ein neues Modell vorgestellt, das das bestehende Counterfactual Augmented Fair Graph Neural Network (CAF) erweitert. Der Ansatz nutzt eine zweiphasige Trainingsstrategie: In der ersten Phase wird der Graph so bearbeitet, dass das Homophily-Verhältnis bezüglich der Klassenlabels erhöht und gleichzeitig das Homophily-Verhältnis bezüglich sensibler Attribute reduziert wird.

Die zweite Phase integriert einen modifizierten supervised contrastive Loss sowie einen environmental Loss in den Optimierungsprozess. Dadurch kann das Modell gleichzeitig die Vorhersagegenauigkeit steigern und die Fairness verbessern.

Experimentelle Ergebnisse auf fünf realen Datensätzen zeigen, dass das neue Modell CAF sowie mehrere aktuelle graphbasierte Lernmethoden sowohl in Bezug auf die Klassifikationsgenauigkeit als auch auf Fairness-Metriken übertrifft.