DOI QR코드

DOI QR Code

Fairness Analysis on Real-World Graph Data

실세계 그래프 데이터에 대한 공정성 분석

  • Hojung Shin (Dept. of Computer Science, Hanyang University) ;
  • Yeon-Chang Lee (Graduate School of Artificial Intelligence, UNIST) ;
  • Sang-Wook Kim (Dept. of Computer Science, Hanyang University)
  • 신호중 (한양대학교 컴퓨터소프트웨어학과) ;
  • 이연창 (울산과학기술원 인공지능대학원) ;
  • 김상욱 (한양대학교 컴퓨터소프트웨어학과)
  • Published : 2024.05.23

Abstract

그래프 신경망(Graph Neural Network, GNN)은 실세계 그래프 데이터에 대한 다양한 다운스트림 작업들에서 우수한 성능을 보여 왔다. 그러나, 최근 연구는 GNN 의 예측 결과가 데이터 내 특정 집단에 대한 차별을 내포할 수 있음을 지적했다. 이러한 문제를 해결하기 위해, 공정성을 고려할 수 있는 GNN 방법들이 설계되어 오고 있으나, 아직 실세계 그래프 데이터가 공정성 관점에서 어떠한 특성을 가지고 있는지에 대한 분석은 충분히 이루어지지 않았다. 따라서, 본 논문에서는 다양한 공정성 평가 지표를 활용하여 실세계 그래프 데이터의 공정성을 비교 분석한다. 실험 결과, 실세계 그래프 데이터들은 도메인 혹은 평가 지표에 따라 다른 특성을 가진다는 것을 확인하였다.

Keywords

Acknowledgement

이 논문은 2023 년도 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 지원을 받아 수행된 연구임 (No.RS-2022-00155586, 실세계의 다양한 다운스트림 태스크를 위한 고성능 빅 하이퍼그래프 마이닝 플랫폼 개발(SW 스타랩), No. 2020-0-01373, 인공지능대학원지원(한양대학교), No.2018R1A5A7059549).

References

  1. Yuxiao Dong et al., Do the Young Live in a "Smaller World" Than the Old? Age-Specific Degrees of Separation in a Large-Scale Mobile Communication Network, arXiv preprint arXiv:1606.07556, 2016.
  2. Tahleen A Rahman et al., Fairwalk: Towards Fair Graph Embedding, IJCAI, 2019.
  3. Enyan Dai et al., Say no to the discrimination: Learning fair graph neural networks with limited sensitive attribute information, WSDM, 2021.
  4. Yushun Dong et al., Edits: Modeling and mitigating data bias for graph neural networks, The Web Conference, 2022.
  5. Wang et al., Improving fairness in graph neural networks via mitigating sensitive attribute leakage, KDD, 2022.
  6. A. Chen et al., Fairness-aware graph neural networks: A survey, arXiv preprint arXiv:2307.03929, 2023.