[論文レビュー] Unraveling Privacy Risks of Individual Fairness in Graph Neural Networks

He Zhang, Xingliang Yuan+1 more|arXiv (Cornell University)|Jan 30, 2023

Advanced Memory and Neural Computing被引用数 12

ひとこと要約

この論文は、GNNにおける個人の公平性を高めることがエッジのプライバシーにどう影響するかを調査し、性能・公平性・プライバシーのバランスを取るための再訓練フレームワークPPFRを提案する。

ABSTRACT

Graph neural networks (GNNs) have gained significant attraction due to their expansive real-world applications. To build trustworthy GNNs, two aspects - fairness and privacy - have emerged as critical considerations. Previous studies have separately examined the fairness and privacy aspects of GNNs, revealing their trade-off with GNN performance. Yet, the interplay between these two aspects remains unexplored. In this paper, we pioneer the exploration of the interaction between the privacy risks of edge leakage and the individual fairness of a GNN. Our theoretical analysis unravels that edge privacy risks unfortunately escalate when the nodes' individual fairness improves. Such an issue hinders the accomplishment of privacy and fairness of GNNs at the same time. To balance fairness and privacy, we carefully introduce fairness-aware loss reweighting based on influence function and privacy-aware graph structure perturbation modules within a fine-tuning mechanism. Experimental results underscore the effectiveness of our approach in achieving GNN fairness with limited performance compromise and controlled privacy risks. This work contributes to the comprehensively developing trustworthy GNNs by simultaneously addressing both fairness and privacy aspects.

研究の動機と目的

• GNNの公平性とエッジプライバシーという、実世界のグラフアプリケーションでの二つの重要な信頼要因の相互作用の研究を動機づける。
• 個人の公平性を高めることでGNNのエッジプライバシーリスクが上昇することを経験的に示す。
• 影響関数とピアソン相関を用いて、公平性とプライバシーのトレードオフを定量化する。
• 限られた性能コストと制限されたプライバシー漏洩を両立する公平性を実現する再訓練フレームワークを提案する。

提案手法

• 訓練サンプルの重みがモデルパラメータとターゲット指標に与える影響を近似する影響関数を用いる。
• f_bias（個人の公平性）と f_risk（プライバシーリスク）を定義・計算し、共有パラメータ空間での相互作用を分析する。
• 訓練サンプルの影響と f_bias,f_risk の相関をピアソン相関で評価し、公平性とプライバシーの相互作用を定量化する。
• プライバシーを意識した摂動（ヘテロフィリティを持つエッジの追加）を導入してエッジ漏洩を低減する。
• QCLP（Quadratically Constrained Linear Program）を用いた公平性対応の再ウェイト付けを開発し、訓練サンプルの重みを調整する。
• 重み付き損失を用いて摂動グラフでGNNを再訓練し、性能・公平性・プライバシーのバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 個人ノードの公平性を高めることは、GNN のエッジプライバシーリスクをどう影響させるか？
• RQ2 影響関数と相関指標を用いて、公平性とプライバシーの相互作用を定量化できるか？
• RQ3 限られた性能低下と制限されたプライバシー漏洩で公平性を改善する再訓練手順を設計できるか？

主な発見

• 研究対象データセット上で、個人の公平性を高めるとエッジ漏洩リスクが増加する。
• 影響関数とピアソン相関を組み合わせることで、公平性とプライバシーの相互作用を定量的に評価できる。
• 公平性を意識した再ウェイト付けとプライバシーを考慮したグラフ摂動を組み合わせたPPFRフレームワークは、限られた性能損失と制限されたプライバシーリスクで公平性を改善できる。
• 公平性を意識した再ウェイト付けは、重みの大きさと効用損失の両方を制約するQCLPによって得られる。
• プライバシーを意識した摂動はグラフ構造を摺動させて漏洩を低減し、精度を大幅に損なわない。