FAROS: Faire Grapherzeugung durch Attributwechselmechanismen

papers.abstract

Jüngste Fortschritte in Graph-Diffusionsmodellen (GDMs) haben die Synthese realistischer Netzwerkstrukturen ermöglicht, doch die Gewährleistung von Fairness in den generierten Daten bleibt eine kritische Herausforderung. Bestehende Lösungen versuchen, Verzerrungen zu mildern, indem die GDMs mit ad-hoc Fairness-Beschränkungen neu trainiert werden. Im Gegensatz dazu schlagen wir mit dieser Arbeit FAROS vor, einen neuartigen FAir Graph GeneRatiOn Framework, der Attribut-Switching-Mechanismen nutzt und direkt im Generierungsprozess des vortrainierten GDM läuft. Technisch gesehen funktioniert unser Ansatz, indem die sensiblen Attribute von Knoten während der Generierung verändert werden. Zu diesem Zweck berechnet FAROS den optimalen Anteil der zu wechselnden Knoten und wählt den Diffusionsschritt aus, in dem der Wechsel durchgeführt wird, indem maßgeschneiderte Multikriterien-Beschränkungen festgelegt werden, um das Knoten-Topologie-Profil aus der ursprünglichen Verteilung (ein Proxy für Genauigkeit) zu bewahren, während gleichzeitig die Kantenunabhängigkeit von den sensiblen Attributen für den generierten Graphen (ein Proxy für Fairness) sichergestellt wird. Unsere Experimente mit Benchmark-Datensätzen für Link-Vorhersage zeigen, dass der vorgeschlagene Ansatz Fairness-Diskrepanzen effektiv reduziert, während er eine vergleichbare (oder sogar höhere) Genauigkeitsleistung zu anderen ähnlichen Baselines beibehält. Bemerkenswerterweise ist FAROS in der Lage, in einigen der getesteten Einstellungen unter dem Konzept der Pareto-Optimalität einen besseren Kompromiss zwischen Genauigkeit und Fairness zu erzielen als andere Konkurrenten, was die Wirksamkeit der auferlegten Multikriterien-Beschränkungen demonstriert.

English

Recent advancements in graph diffusion models (GDMs) have enabled the synthesis of realistic network structures, yet ensuring fairness in the generated data remains a critical challenge. Existing solutions attempt to mitigate bias by re-training the GDMs with ad-hoc fairness constraints. Conversely, with this work, we propose FAROS, a novel FAir graph geneRatiOn framework leveraging attribute Switching mechanisms and directly running in the generation process of the pre-trained GDM. Technically, our approach works by altering nodes' sensitive attributes during the generation. To this end, FAROS calculates the optimal fraction of switching nodes, and selects the diffusion step to perform the switch by setting tailored multi-criteria constraints to preserve the node-topology profile from the original distribution (a proxy for accuracy) while ensuring the edge independence on the sensitive attributes for the generated graph (a proxy for fairness). Our experiments on benchmark datasets for link prediction demonstrate that the proposed approach effectively reduces fairness discrepancies while maintaining comparable (or even higher) accuracy performance to other similar baselines. Noteworthy, FAROS is also able to strike a better accuracy-fairness trade-off than other competitors in some of the tested settings under the Pareto optimality concept, demonstrating the effectiveness of the imposed multi-criteria constraints.

FAROS: Faire Grapherzeugung durch Attributwechselmechanismen

FAROS: Fair Graph Generation via Attribute Switching Mechanisms

papers.abstract

Support