FAROS: 属性スイッチング機構による公平なグラフ生成

FAROS: Fair Graph Generation via Attribute Switching Mechanisms

July 4, 2025

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

cs.AI

要旨

グラフ拡散モデル（GDMs）の最近の進展により、現実的なネットワーク構造の合成が可能となったが、生成データにおける公平性の確保は依然として重要な課題である。既存の解決策は、アドホックな公平性制約を課してGDMsを再学習することでバイアスを軽減しようとしている。これに対して、本研究では、事前学習済みのGDMの生成プロセス中に直接実行される属性スイッチングメカニズムを活用した新しい公平グラフ生成フレームワーク「FAROS」を提案する。技術的には、本アプローチは生成中にノードのセンシティブ属性を変更することで機能する。この目的のために、FAROSはスイッチングノードの最適な割合を計算し、元の分布からのノードトポロジープロファイル（精度の代理指標）を維持しつつ、生成グラフにおけるセンシティブ属性に対するエッジの独立性（公平性の代理指標）を確保するために、多基準制約を設定してスイッチを実行する拡散ステップを選択する。リンク予測のベンチマークデータセットを用いた実験により、提案手法が他の類似のベースラインと同等（またはそれ以上）の精度性能を維持しながら、公平性の不一致を効果的に低減することが示された。特に、FAROSはパレート最適性の概念に基づいて、一部のテスト設定において他の競合手法よりも優れた精度と公平性のトレードオフを達成することができ、課された多基準制約の有効性を実証している。

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.