[論文レビュー] On Graph Neural Network Fairness in the Presence of Heterophilous Neighborhoods

Donald Loveland, Jiong Zhu+4 more|arXiv (Cornell University)|Jan 1, 2022

Mental Health Research Topics被引用数 5

ひとこと要約

本稿は、グラフの近傍における局所的同型性がグラフニューラルネットワーク（GNN）の公平性に与える影響を調査し、単一の感受性属性が支配する近傍では同型的GNNが不公平性を拡大することを示している。異型的GNN設計——非同型ラベルパターンに対応するように設計されたもの——が、性能を損なわずに公平性を最大25%向上させられることを提案している。特に、クラスと感受性属性の同型性が乖離する領域で顕著である。

ABSTRACT

We study the task of node classification for graph neural networks (GNNs) and establish a connection between group fairness, as measured by statistical parity and equal opportunity, and local assortativity, i.e., the tendency of linked nodes to have similar attributes. Such assortativity is often induced by homophily, the tendency for nodes of similar properties to connect. Homophily can be common in social networks where systemic factors have forced individuals into communities which share a sensitive attribute. Through synthetic graphs, we study the interplay between locally occurring homophily and fair predictions, finding that not all node neighborhoods are equal in this respect -- neighborhoods dominated by one category of a sensitive attribute often struggle to obtain fair treatment, especially in the case of diverging local class and sensitive attribute homophily. After determining that a relationship between local homophily and fairness exists, we investigate if the issue of unfairness can be associated to the design of the applied GNN model. We show that by adopting heterophilous GNN designs capable of handling disassortative group labels, group fairness in locally heterophilous neighborhoods can be improved by up to 25% over homophilous designs in real and synthetic datasets.

研究の動機と目的

• 本稿は、グラフ近傍における局所的同型性がGNN予測の公平性に与える影響を調査する。
• 特にグローバル指標がサブグループレベルの不公平性を隠す可能性がある状況において、近傍レベルでの公平性の理解のギャップを埋める。
• 従来の同型的設計と比較して、異型的GNNアーキテクチャが公平性を向上させられるかどうかを評価することを目的とする。
• 感受性属性が特徴に弱く符号化されている場合に、同型性によって特徴バイアスがどのように拡大するかを検討する。
• 特に、実世界のネットワークにおける制度的分離が見られる状況において、近傍構造と公平性の結果を結びつけることで、公平なGNN設計を支援することを目的とする。

提案手法

• 著者らは、クラスラベル、感受性属性、特徴バイアスにおける同型性を制御できる新しい合成グラフ生成フレームワークを設計した。
• さまざまなレベルの局所的同型性において、統計的平等（ΔSP）と等しい機会（ΔEO）の指標を用いて公平性を評価した。
• 合成グラフおよび実世界のグラフにおいて、同型的GNN（例：GCN、GAT）と異型的GNN（例：H2GCN、FA-GCN）を比較した。
• 局所的近傍同型性は、感受性属性の同型性（h_s）およびクラスの同型性（h_c）を用いて定量化され、両者の乖離を分析可能となった。
• 感受性属性の特徴符号化におけるノイズレベル（e）を変化させることで、アグリゲーションメカニズムの影響を分離した。
• 実験は合成データおよび実世界のデータセット（PokecとNBA）を対象とし、グローバルおよび高同型性近傍における局所的公平性を測定した。

実験結果

リサーチクエスチョン

• RQ1 ノードの近傍における局所的同型性は、特に単一の感受性属性が支配する近傍において、GNN予測の公平性にどのように影響するか？
• RQ2 クラスと感受性属性の同型性が乖離する領域では、同型的GNNが不公平性をどの程度拡大するか？
• RQ3 特に局所的に異型的または乖離した近傍において、異型的GNNアーキテクチャは同型モデルと比較して公平性を向上させられるか？
• RQ4 特徴バイアス（特徴が感受性属性を弱く符号化している場合）は、同型的GNNによってどのように拡大されるか？
• RQ5 高い局所的同型性が継続する状況において、データ匿名化や敵対的バイアス除去は不公平性を是正するのに十分か？

主な発見

• 合成データでは、同型的GNNは高感受性属性同型性近傍で公平性を低下させ、異型的モデルと比較してΔSPとΔEOがそれぞれ18%および35%低下した。
• 合成および実世界のデータセットにおいて、異型的GNNは同型的モデルよりも最大25%の公平性向上を達成した。特に、局所的同型性の乖離が顕著な領域で顕著である。
• 感受性属性が顕著なノイズ（e = 0.25）で符号化されていても、同型的GNNは高い不公平性を維持しており、特徴バイアスの強力な拡大を示している。
• 異型的モデルは、初期の不公平性が低かっただけでなく、バイアスに対してより高いレジリエンスを示しており、公平性指標の相対的改善が顕著であった。
• 実世界データでは、Pokecにおいてクラス同型性が低い領域（h_c < 0.4）で顕著な公平性格差が生じており、特に感受性属性同型性が高い場合に顕著であった。
• NBAデータセットでは、異型的モデルが公平性（ΔSPを0.08から0.04に改善）と精度（0.63から0.72に向上）の両方を向上させ、性能と公平性のトレードオフがないことを示した。