FAROS: Generación Justa de Grafos mediante Mecanismos de Conmutación de Atributos

FAROS: Fair Graph Generation via Attribute Switching Mechanisms

July 4, 2025

Autores: Abdennacer Badaoui, Oussama Kharouiche, Hatim Mrabet, Daniele Malitesta, Fragkiskos D. Malliaros

cs.AI

Resumen

Los avances recientes en los modelos de difusión de grafos (GDMs, por sus siglas en inglés) han permitido la síntesis de estructuras de red realistas, aunque garantizar la equidad en los datos generados sigue siendo un desafío crítico. Las soluciones existentes intentan mitigar el sesgo mediante el reentrenamiento de los GDMs con restricciones de equidad ad-hoc. Por el contrario, en este trabajo proponemos FAROS, un novedoso marco de generación de grafos equitativos (FAir graph geneRatiOn framework) que aprovecha mecanismos de conmutación de atributos y opera directamente en el proceso de generación del GDM preentrenado. Técnicamente, nuestro enfoque funciona alterando los atributos sensibles de los nodos durante la generación. Para ello, FAROS calcula la fracción óptima de nodos a conmutar y selecciona el paso de difusión en el que realizar la conmutación, estableciendo restricciones multicriterio personalizadas para preservar el perfil de topología de nodos de la distribución original (un indicador de precisión) mientras se garantiza la independencia de las aristas respecto a los atributos sensibles en el grafo generado (un indicador de equidad). Nuestros experimentos en conjuntos de datos de referencia para la predicción de enlaces demuestran que el enfoque propuesto reduce eficazmente las discrepancias en equidad mientras mantiene un rendimiento de precisión comparable (o incluso superior) al de otras líneas base similares. Es destacable que FAROS también logra un mejor equilibrio entre precisión y equidad que otros competidores en algunas de las configuraciones evaluadas bajo el concepto de optimalidad de Pareto, lo que demuestra la efectividad de las restricciones multicriterio impuestas.

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.