[논문 리뷰] TopoFair: Linking Topological Bias to Fairness in Link Prediction Benchmarks

Lilian Marey, Mathilde Perez외 2명|arXiv (Cornell University)|2026. 02. 12.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

TopoFair는 그래프 구조적 편향의 분류 체계와 링크 예측의 공정성에 미치는 토폴로지 특성을 연구하기 위한 매개변수 그래프 생성기를 형식화하는 벤치마킹 프레임워크를 제시합니다. 다양한 합성 그래프에서 고전적 모델과 공정성 인식 모델을 평가합니다.

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.

연구 동기 및 목표

• 그래프에서 링크 예측의 공정성과 관련된 구조적 편향의 분류 체계를 형식화한다.
• 실제 세계 토폴로지를 보존하면서 제어된 편향 변이를 가능하게 하는 매개변수 그래프 생성 방법을 개발한다.
• 다양한 구조적 편향에 걸쳐 공정성 인식 LP 메서드를 평가하기 위한 벤치마킹 프레임워크를 만든다.
• 토폴로지 편향이 사용 사례 전반의 공정성 개입과 상호 작용하는지 경험적으로 분석한다.

제안 방법

• 로컬/글로벌 및 토폴로지/플로우 기반 관점을 아우르는 노드 수준 및 그래프 수준의 구조적 편향 척도를 정의한다.
• 네 가지 모듈식 구성요소로 Barabási–Albert 모델을 확장하여 민감 속성 불균형, 동질성, 커뮤니티 구조, 차수 변동성을 제어한다(alpha, beta, anchor-based attachment, Gamma 분포 m').
• 노드 수준 척도에 걸친 편향을 측정하는 통합된 편차 지표 omega_M(G)를 제안한다.
• 실제 세계 패턴과 일치하는 합성 그래프를 생성하고 alpha(불균형)와 beta(동질성)을 변화시켜 다양한 편향 구성을 만든다.
• 합성 그래프의 train/test 분할에서 HitRank, AUC, 공정성 지표(통계적 동등성, 동일 기회)를 사용해 LP 모델(전통적 및 공정성 인식)을 벤치마크한다.
• 회귀 및 특징 중요도 분석을 통해 구조적 편향과 공정성 개입의 강건성을 이해하기 위해 구조적 편향과 공정성 간의 의존성을 분석한다.

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.

실험 결과

연구 질문

• RQ1 RQ1: 토폴로지 편향이 고전적인 링크 예측 방법의 공정성에 어떤 영향을 미치는가?
• RQ2 RQ2: 동질성 이외의 구조적 편향에 대해 공정성 인식 LP 메서드는 얼마나 민감한가?
• RQ3 RQ3: 어소트러티가 고정되고 다른 구조적 편향이 변할 때도 공정성 인식 방법은 여전히 견고한가?

주요 결과

• 구조적 편향은 공정성 결과에 강하게 영향을 미치며, 편향 척도에 회귀했을 때 R^2 값이 일반적으로 0.8 이상이다.
• 어소트러티는 공정성 분산의 큰 부분을 설명하지만(종종 >75%), 그 설명력은 사용 사례에 따라 다르다.
• 공정성 인식 방법은 사용 사례에 따라 그래프 편향에 대한 강건성이 다르게 나타나며, 일부 방법은 동질성 너머의 구조적 특성에 더 민감하다.
• 어소트러티가 높을 때 다른 편향이 성능에 미치는 영향은 완화되지만 완전히 제거되지는 않으며, 해결해야 할 편향이 다수 있음을 시사한다.
• 제안된 편향 분류 체계는 로컬/글로벌, 토폴로지/플로우 기반의 보완적 차원을 포착하여 LP의 공정성과 의미 있게 관련된다.

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.