FAROS : Génération équitable de graphes via des mécanismes de commutation d’attributs
FAROS: Fair Graph Generation via Attribute Switching Mechanisms
July 4, 2025
papers.authors: Abdennacer Badaoui, Oussama Kharouiche, Hatim Mrabet, Daniele Malitesta, Fragkiskos D. Malliaros
cs.AI
papers.abstract
Les avancées récentes dans les modèles de diffusion sur graphes (GDMs) ont permis la synthèse de structures de réseaux réalistes, mais garantir l'équité dans les données générées reste un défi critique. Les solutions existantes tentent de réduire les biais en ré-entraînant les GDMs avec des contraintes d'équité ad hoc. À l'inverse, dans ce travail, nous proposons FAROS, un nouveau cadre de génération de graphes équitables (FAir graph geneRatiOn framework) exploitant des mécanismes de commutation d'attributs et fonctionnant directement dans le processus de génération du GDM pré-entraîné. Techniquement, notre approche consiste à modifier les attributs sensibles des nœuds pendant la génération. Pour ce faire, FAROS calcule la fraction optimale de nœuds à commuter et sélectionne l'étape de diffusion pour effectuer la commutation en définissant des contraintes multicritères sur mesure afin de préserver le profil de topologie des nœuds de la distribution originale (un proxy pour la précision) tout en garantissant l'indépendance des arêtes par rapport aux attributs sensibles pour le graphe généré (un proxy pour l'équité). Nos expériences sur des ensembles de données de référence pour la prédiction de liens démontrent que l'approche proposée réduit efficacement les écarts d'équité tout en maintenant des performances de précision comparables (voire supérieures) à celles d'autres méthodes similaires. Il est à noter que FAROS parvient également à atteindre un meilleur compromis précision-équité que d'autres concurrents dans certains des scénarios testés selon le concept d'optimalité de Pareto, démontrant ainsi l'efficacité des contraintes multicritères imposées.
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.