[論文レビュー] FairGE: Fairness-Aware Graph Encoding in Incomplete Social Networks

Renqiang Luo, Huafei Huang+6 more|arXiv (Cornell University)|Jan 14, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

FairGE は、スペクトル截断とゼロパディングを用いて、敏感属性を再構成せずに公平性をエンコードする欠損ソーシャルネットワーク向けの公平性配慮グラフ Transformer フレームワークを導入します。

ABSTRACT

Graph Transformers (GTs) are increasingly applied to social network analysis, yet their deployment is often constrained by fairness concerns. This issue is particularly critical in incomplete social networks, where sensitive attributes are frequently missing due to privacy and ethical restrictions. Existing solutions commonly generate these incomplete attributes, which may introduce additional biases and further compromise user privacy. To address this challenge, FairGE (Fair Graph Encoding) is introduced as a fairness-aware framework for GTs in incomplete social networks. Instead of generating sensitive attributes, FairGE encodes fairness directly through spectral graph theory. By leveraging the principal eigenvector to represent structural information and padding incomplete sensitive attributes with zeros to maintain independence, FairGE ensures fairness without data reconstruction. Theoretical analysis demonstrates that the method suppresses the influence of non-principal spectral components, thereby enhancing fairness. Extensive experiments on seven real-world social network datasets confirm that FairGE achieves at least a 16% improvement in both statistical parity and equality of opportunity compared with state-of-the-art baselines. The source code is shown in https://github.com/LuoRenqiang/FairGE.

研究の動機と目的

• ソーシャルネットワークにおける Graph Transformers (GTs) の公平性を、プライバシー制約のため敏感属性が欠如している状況で動機づける。
• 敏感属性を再構成または補完することを避けた公平性を意識したエンコーディングを開発する。
• 不完全性の下で主成分スペクトルが公平性をどのように保持するかを理論的に分析する。
• GTs に公正な構造/トポロジー Encoding を統合する FairGE を提案し、実世界データセットで評価する。

提案手法

• 欠測した敏感属性をゼロでパディングして属性再構築を避けつつ多跳情報を保持する。
• 隣接行列の最大の固有値/固有ベクトル m 個を構造的トポロジー Encoding として保持するためにスペクトル截断を用いる。
• 主固有ベクトルベースの表現と位置エンコードされた固有値により構造的/トポロジー情報を Transformer に Encoding する。
• スペクトルでエンコードされたトポロジーをゼロパディングされた属性と組み合わせ、ノード分類のための Transformer ベース GT に統合する。
• スペクトルギャップが大きい場合、非主成分の影響が低減されることを示す理論的保証を提供する。

実験結果

リサーチクエスチョン

• RQ1 敏感属性が欠如している場合、Graph Transformers において公平性をどのように保持できるか。
• RQ2 主成分スペクトル成分は敏感属性を再構成せずに多跳構造をエンコードできるか、ゼロ-padding は公平性にどう影響するか。
• RQ3 スペクトル截断とゼロパディングを組み合わせると、欠損データ状況で統計的平等性と機会の平等性は改善されるか。

主な発見

• FairGE は、7つの実世界データセットにおいて、最先端のベースラインと比較して統計的平等性と機会の平等性の両方で少なくとも 16% の改善を達成する。
• 理論的な結果は、主固有ベクトルとゼロ-padding を用いることで、非主スペクトル成分の影響を低減し公平性を保持できることを示す。
• 欠測属性をゼロでパディングすることで、元の敏感属性分布を近似し、学習表現の独立性を維持できる。
• スペクトル截断は、スペクトルギャップが大きい場合、浅い GT アーキテクチャ（k=2 または 3）でも効果的な多跳構造 Encoding を可能にする。
• 実験では、FairGE が複数データセットと欠測率設定で公正性を安定して改善しつつ、精度も競争力を維持することが示される。