[論文レビュー] k-hop Fairness: Addressing Disparities in Graph Link Prediction Beyond First-Order Neighborhoods

Lilian Marey, Tiphaine Viard+1 more|arXiv (Cornell University)|Mar 4, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

k-hop フェアネスを導入し、固定されたグラフ距離でのグラフリンク予測の格差を評価・緩和。ホップごとのバイアスを明らかにし、ポストプロセッシングによる緩和を提供して精度への影響を制御可能にする。

ABSTRACT

Link prediction (LP) plays a central role in graph-based applications, particularly in social recommendation. However, real-world graphs often reflect structural biases, most notably homophily, the tendency of nodes with similar attributes to connect. While this property can improve predictive performance, it also risks reinforcing existing social disparities. In response, fairness-aware LP methods have emerged, often seeking to mitigate these effects by promoting inter-group connections, that is, links between nodes with differing sensitive attributes (e.g., gender), following the principle of dyadic fairness. However, dyadic fairness overlooks potential disparities within the sensitive groups themselves. To overcome this issue, we propose $k$-hop fairness, a structural notion of fairness for LP, that assesses disparities conditioned on the distance between nodes in the graph. We formalize this notion through predictive fairness and structural bias metrics, and propose pre- and post-processing mitigation strategies. Experiments across standard LP benchmarks reveal: (1) a strong tendency of models to reproduce structural biases at different $k$-hops; (2) interdependence between structural biases at different hops when rewiring graphs; and (3) that our post-processing method achieves favorable $k$-hop performance-fairness trade-offs compared to existing fair LP baselines.

研究の動機と目的

• dyadic（エッジレベル）公正性を超えるフェアネスを、固定グラフ距離（k-ホップ）でのノード近傍に焦点を当てて動機付け・形式化する。
• 予測リンクがk-ホップ近傍内の感受性グループ間で不均等に現れることを定量化する。
• k-hop 構造バイアスと予測的不公正を測定・低減するための前処理・後処理戦略を開発する。
• 実世界グラフと標準的LPモデルにおけるk-hop 構造バイアスと予測公正性の関係を示す。

提案手法

• k-hop近傍概念とk-hop グループ露出を定義し、公正性を二者間メトリクス以上に拡張する。
• ΔDPをk-hop露出の観点から分解し、異なるホップでの構造バイアスの寄与を強調する。
• k-hop近傍公正 NF^(k) および k-hop 構造バイアス NB^(k) をホップ特異的指標として提案する。
• 予測やグラフを最適に調整しつつ、バイアスを制御する忠実性項を用いた後処理（および前処理）緩和手法を提供する（損失には NF^(k) と正則化項を含む）。
• h-hop 指標行列 ˜A^(k)（フォンテA^(k)の表記はそのまま）と勾配ベースの最適化を活用して、k-hop バイアスを効率的に計算・最小化する。
• 重み付き・有向グラフへの拡張を示し、計算複雑性について論じる。

Figure 1 : In this example, nodes A and B are segregated within a cluster of blue nodes. While a dyadic view would produce likely inter-edges (typically between nodes with shared neighbors around node C), $k$ -hop fairness allows specifying the order at which fairness is desired (here, $k=3$ ), enab

実験結果

リサーチクエスチョン

• RQ1 RQ1: k-hop 構造バイアスは標準的なLPモデルにおける特定距離 k の公正性とどのように関連するか。
• RQ2 RQ2: 前処理で一つのホップのバイアスを最小化すると、他のホップのバイアスにどう影響するか。
• RQ3 RQ3: 後処理はホップ特異的な予測公正性を緩和できるか、ホップ間の予測性能を均等に損なわずに済むか。
• RQ4 RQ4: k-hop の公正性と構造バイアスは、実世界データセットにおける既存の二者間公正指標とどのように relate するか（関連性・相違点）について。

主な発見

• データセット全体で、1-hop のバイアスが最も強いことが多いが、他のホップにも顕著なバイアスが現れる（例：Polblogsの4-hop）。
• NB^(k) と NF^(k) は整列する傾向があり、構造バイアスが高いホップは公正性が低いことを示す。
• グラフのリワイヤリングによって NB^(k) を緩和すると、ホップ間のバイアスが相互に強く依存していることが分かり、時に強化的または補償的な効果が現れる。
• 後処理で NF^(k) の低減を一貫して達成すると、対象ホップの公正性ギャップが低減される一方、AUC へのトレードオフはホップごとに異なる；ホップ k=1 では影響が小さく、k=2 で大きく、より高い k では影響は制限的。
• 後処理は他のホップを劣化させずにホップ特異的な公正性改善を達成でき、モジュール型のバイアス制御を実現できる。

(a) Polblogs