활용 사례 연구
Subgraph Filtering for Fair Graph Neural Networks
ARarXiv
그래프 신경망(GNN)이 민감 속성을 제외해도 그래프 구조와 메시지 전달로 인해 불공정한 행동을 보일 수 있다.
세 줄 요약
- SF-GNN은 민감 동종성 및 허브 참여, 삼각 폐쇄를 결합해 편향된 엣지를 식별하고 메시지 전달 단계에서 확률적 엣지 필터링을 적용한다.
- 이 방법은 구조적 편향을 발생원에서 완화하며, 기존 방식보다 더 나은 공정성-정확도 트레이드오프를 달성했다.
- SF-GNN은 경량이며 아키텍처에 구애받지 않는 프레임워크로, 훈련 시 통계적 패리티 정규화기를 사용한다.
그래프 신경망(GNN)이 민감 속성을 제외해도 그래프 구조와 메시지 전달로 인해 불공정한 행동을 보일 수 있다.