k-Hop Fairness: Gerechtigkeit bei Graph-Linkvorhersagen über Nachbarschaften hinaus

Link‑Prediction‑Modelle sind das Herzstück vieler graphbasierter Anwendungen, etwa bei sozialen Empfehlungen. In realen Netzwerken spiegeln sie jedoch häufig strukturelle Vorurteile wider – vor allem Homophilie, die Tendenz, dass Knoten mit ähnlichen Merkmalen miteinander verbunden sind. Diese Eigenschaft kann zwar die Vorhersagegenauigkeit steigern, birgt aber die Gefahr, bestehende soziale Ungleichheiten zu verstärken.

Aktuelle fairness‑bewusste Ansätze konzentrieren sich meist auf dyadische Fairness, also darauf, Verbindungen zwischen Knoten mit unterschiedlichen sensiblen Attributen zu fördern. Dabei wird jedoch übersehen, dass innerhalb der sensiblen Gruppen selbst noch Ungleichheiten bestehen können. Um dieses Problem anzugehen, wurde der Begriff k-Hop Fairness eingeführt, der die Gerechtigkeit in Bezug auf die graphische Distanz zwischen Knoten bewertet.

Die Autoren definieren dazu neue Messgrößen für Vorhersage‑Fairness und strukturelle Verzerrung und stellen sowohl Vor‑ als auch Nachbearbeitungstechniken vor, die diese Verzerrungen reduzieren. In umfangreichen Experimenten auf Standard‑Link‑Prediction‑Benchmarks zeigte sich, dass Modelle stark dazu neigen, strukturelle Vorurteile auf verschiedenen k‑Hop‑Abständen zu reproduzieren. Zudem hängt die Verzerrung an einem Abstand eng mit der Verzerrung an anderen Abständen zusammen, wenn das Netzwerk neu verknüpft wird.

Besonders vielversprechend ist die vorgestellte Nachbearbeitungsmethode, die im Vergleich zu bestehenden fairen Link‑Prediction‑Baselines einen besseren Kompromiss zwischen Leistung und k‑Hop‑Fairness erzielt. Diese Ergebnisse legen nahe, dass k‑Hop Fairness ein vielversprechender Ansatz ist, um Gerechtigkeit in graphbasierten Vorhersagesystemen umfassender zu adressieren.