FAROS: Generazione Equa di Grafi tramite Meccanismi di Scambio di Attributi

FAROS: Fair Graph Generation via Attribute Switching Mechanisms

July 4, 2025

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

cs.AI

Abstract

I recenti progressi nei modelli di diffusione su grafi (GDMs) hanno reso possibile la sintesi di strutture di rete realistiche, ma garantire l'equità nei dati generati rimane una sfida cruciale. Le soluzioni esistenti cercano di mitigare i pregiudizi riaddestrando i GDMs con vincoli di equità ad hoc. Al contrario, con questo lavoro proponiamo FAROS, un nuovo framework per la generazione di grafi equi (FAir graph geneRatiOn) che sfrutta meccanismi di commutazione degli attributi (attribute Switching) e opera direttamente durante il processo di generazione del GDM pre-addestrato. Tecnicamente, il nostro approccio agisce alterando gli attributi sensibili dei nodi durante la generazione. A tal fine, FAROS calcola la frazione ottimale di nodi da commutare e seleziona il passo di diffusione in cui eseguire la commutazione, impostando vincoli multi-criterio su misura per preservare il profilo topologico dei nodi dalla distribuzione originale (un proxy per l'accuratezza) garantendo al contempo l'indipendenza degli archi rispetto agli attributi sensibili nel grafo generato (un proxy per l'equità). I nostri esperimenti su dataset di riferimento per la previsione di collegamenti dimostrano che l'approccio proposto riduce efficacemente le discrepanze di equità mantenendo prestazioni di accuratezza comparabili (o addirittura superiori) rispetto ad altre baseline simili. È degno di nota che FAROS riesca a raggiungere un migliore compromesso tra accuratezza ed equità rispetto ad altri concorrenti in alcune delle configurazioni testate sotto il concetto di ottimalità paretiana, dimostrando l'efficacia dei vincoli multi-criterio imposti.

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.