[論文レビュー] All of the Fairness for Edge Prediction with Optimal Transport

Charlotte Laclau, Ievgen Redko+2 more|arXiv (Cornell University)|Oct 30, 2020

Ethics and Social Impacts of AI参考文献 31被引用数 13

ひとこと要約

本稿では、公平性を考慮したエッジ予測のための最適輸送に基づく、埋め込みに依存しない手法を提案する。この手法は、感受性属性を持つグループ間のノード分布を整合させることで、グループおよび個人の公平性をバランスさせ、公平性と精度のトレードオフを明示的に制御する。また、表現バイアスとアソートラティビティを低減し、ノード埋め込みモデルを変更せずに公平な下流のリンク予測を可能にする。

ABSTRACT

Machine learning and data mining algorithms have been increasingly used recently to support decision-making systems in many areas of high societal importance such as healthcare, education, or security. While being very efficient in their predictive abilities, the deployed algorithms sometimes tend to learn an inductive model with a discriminative bias due to the presence of this latter in the learning sample. This problem gave rise to a new field of algorithmic fairness where the goal is to correct the discriminative bias introduced by a certain attribute in order to decorrelate it from the model's output. In this paper, we study the problem of fairness for the task of edge prediction in graphs, a largely underinvestigated scenario compared to a more popular setting of fair classification. To this end, we formulate the problem of fair edge prediction, analyze it theoretically, and propose an embedding-agnostic repairing procedure for the adjacency matrix of an arbitrary graph with a trade-off between the group and individual fairness. We experimentally show the versatility of our approach and its capacity to provide explicit control over different notions of fairness and prediction accuracy.

研究の動機と目的

• 関係データマイニングにおける公平性に配慮した手法の不足に取り組むこと、特にグラフにおけるエッジ予測に関して。
• 感受性属性とグラフ構造との間の分布的依存関係を分析することで、エッジ予測におけるグループおよび個人の公平性を形式化すること。
• 下流のノード埋め込み技術に依存しない、隣接行列の修復メカニズムを開発すること。
• バイナリおよびマルチクラス設定の両方において、公平性と予測精度のトレードオフを明示的に制御できること。

提案手法

• この手法は、感受性グループ間の分布差を最小化するために最適輸送（OT）を用いて、公平なエッジ予測を連合分布整合問題として定式化する。
• 隣接ノード間のエッジ重みの変化を滑らかにするために、グラフラプラシアンに基づく正則化項を導入し、個人の公平性を強制する。
• 感受性属性と構造的パターンの相関を解消するために、エッジの追加または調整によって隣接行列を修正するプロセスを実施する。
• 埋め込みに依存しないアプローチであるため、任意のノード埋め込みモデル（例：Node2Vec、CNE）と組み合わせて使用可能である。
• グループ条件付き分布間のワーサーテイン距離を最小化する最適輸送計画を計算するために、変分的OTフレームワークを採用する。
• OTに基づく修復定式化のマルチクラス拡張により、バイナリおよびマルチクラスの感受性属性の両方をサポートする。

実験結果

リサーチクエスチョン

• RQ1 最適輸送は、エッジ予測タスクにおけるグループ公平性を達成するために、隣接行列の修復に効果的に適用可能か？
• RQ2 構造的正則化を通じて、グラフベースのエッジ予測における個人の公平性をどのように強制できるか？
• RQ3 修復された隣接行列は、学習済みのノード埋め込みから感受性属性を推定できる能力をどの程度低減できるか？
• RQ4 ラプラシアン正則化パラメータの影響は、公平性および予測パフォーマンスにどのような影響を及えるか？
• RQ5 多様なグラフタイプおよび感受性属性分布において、この手法は予測精度を保持しながらどのように公平性を達成できるか？

主な発見

• 提案手法は表現バイアス（RB）を顕著に低減し、G1ではAUCが0.92から0.48に低下し、G5では0.95から0.91に低下した。これは感受性属性の近似がほぼランダムであることを示している。
• アソートラティビティ係数はG1で0.74から0.01に、G3で0.71から-0.03に低下し、修復後は感受性属性とコミュニティ構造との相関が解消されたことが示された。
• 偏りのないG2グラフでは、RBおよびアソートラティビティが安定したまま維持され、この手法が公平なグラフを変更しないことを確認した。
• ラプラシアン正則化パラメータは、バイアスのあるグラフ（G1、G3）に強い影響を及ぼすが、不均衡またはマルチクラス設定ではそれほど顕著でない。これは、これらの状況における限界を示している。
• t-SNEを用いた可視化により、修復済みの埋め込みでは感受性属性によるクラスタリングが見られなくなった一方、元のグラフでは明確に分離していた。
• この手法は高いエッジ予測パフォーマンスを維持しており、全テストデータセットでAUCスコアが競争力を持つ結果を示し、効果的な公平性と精度のトレードオフを実現した。