[論文レビュー] TopoFair: Linking Topological Bias to Fairness in Link Prediction Benchmarks

Lilian Marey, Mathilde Perez+2 more|arXiv (Cornell University)|Feb 12, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

TopoFairは、グラフ構造バイアスの分類学と、トップロジー特性がリンク予測の公平性に与える影響を研究するためのパラメータ化されたグラフ生成器を形式化するベンチマークフレームワークを提示し、多様な合成グラフに対して古典的モデルと公平性を考慮したモデルを評価する。

ABSTRACT

Graph link prediction (LP) plays a critical role in socially impactful applications, such as job recommendation and friendship formation. Ensuring fairness in this task is thus essential. While many fairness-aware methods manipulate graph structures to mitigate prediction disparities, the topological biases inherent to social graph structures remain poorly understood and are often reduced to homophily alone. This undermines the generalization potential of fairness interventions and limits their applicability across diverse network topologies. In this work, we propose a novel benchmarking framework for fair LP, centered on the structural biases of the underlying graphs. We begin by reviewing and formalizing a broad taxonomy of topological bias measures relevant to fairness in graphs. In parallel, we introduce a flexible graph generation method that simultaneously ensures fidelity to real-world graph patterns and enables controlled variation across a wide spectrum of structural biases. We apply this framework to evaluate both classical and fairness-aware LP models across multiple use cases. Our results provide a fine-grained empirical analysis of the interactions between predictive fairness and structural biases. This new perspective reveals the sensitivity of fairness interventions to beyond-homophily biases and underscores the need for structurally grounded fairness evaluations in graph learning.

研究の動機と目的

• リンク予測の公平性に関連するグラフの構造的バイアスの分類体系を形式化する。
• 現実世界のトポロジーを保持しつつ、制御されたバイアス変動を可能にするパラメトリックなグラフ生成手法を開発する。
• 多様な構造的バイアスに跨る公平性重視LP手法を評価するベンチマークフレームワークを作成する。
• ユースケースを横断する公平性介入とトポロジー的バイアスの相互作用を経験的に分析する。

提案手法

• ノードレベルおよびグラフレベルの構造的バイアス指標を、局所/全体およびトポロジー/フロー基盤の視点で定義する。
• sensitive属性の不均衡、同質性、コミュニティ構造、次数のばらつきを制御する4つのモジュールからなるBarabási–Albertモデルを拡張する（alpha、beta、anchor-based attachment、Gamma分布のm'）。
• ノードレベルの指標全体のバイアを測定する統一的な不均衡指標omega_M(G)を提案する。
• 現実世界のパターンに適合する合成グラフを生成し、alpha（不均衡）とbeta（同質性）を変化させて多様なバイア設定を作る。
• 合成グラフの訓練/テスト分割において、HitRank、AUC、および公平性指標（統計的別差、機会均等）を用いてLPモデル（古典的および公平性を考慮したもの）をベンチマークする。
• 回帰分析や特徴量重要度分析を通じて構造的バイアと公平性介入の堅牢性を理解し、同質性以外のバイアが公平性介入の堅牢性に与える影響を解明する。

Figure 1: Comparison between real (top) and generated (bottom) graphs with degree distributions, for Opinion (left), Friendship (center), and Collab (right) use cases. Red and blue colors indicate respectively sensitive and non-sensitive nodes. All generation parameters are fitted on real datasets.

実験結果

リサーチクエスチョン

• RQ1 RQ1: トポロジー的バイアスは古典的なリンク予測法の公平性にどのように影響するか。
• RQ2 RQ2: 公平性を考慮したLP手法は、同質性以外の構造的バイアに対してどれくらい敏感か。
• RQ3 RQ3: 同質性が固定され他の構造バイアスが変化した場合、公平性を考慮した手法は堅牢性を保つか。

主な発見

• 構造的バイアすは公平性の結果に強く影響し、回帰でのbias指標に対する決定係数R^2は通常0.8を超える。
• アソート性は公平性の分散の大部分を説明する要因となる（多くの場合>75%）が、ユースケースによって説明力は異なる。
• 公平性を考慮した手法はユースケース依存のグラフバイアに対する堅牢性を示し、同質性以外の構造特性に対して感度が高い手法もある。
• アソート性が高い場合、他のバイアが性能へ与える影響は緩和されるが完全には排除されず、複数のバイアを同時に対処する必要がある。
• 提案されたバイア分類は、局所/全体、トポロジー/フロー基盤といった補完的な次元を捉え、LPにおける公平性と意味ある関連を持つ。

Figure 2: Examples of structural bias $\rightarrow$ Fairness regression feature importance scores. From left to right: Opinion $SP$ N2V, Opinion $SP$ SVD, Friendship $SP$ N2V.