FAROS: 속성 전환 메커니즘을 통한 공정한 그래프 생성

초록

최근 그래프 확산 모델(Graph Diffusion Models, GDMs)의 발전으로 현실적인 네트워크 구조 합성이 가능해졌지만, 생성된 데이터의 공정성을 보장하는 것은 여전히 중요한 과제로 남아 있습니다. 기존의 해결책들은 임시적인 공정성 제약 조건을 추가하여 GDMs를 재학습함으로써 편향을 완화하려고 시도해 왔습니다. 이와는 달리, 본 연구에서는 사전 학습된 GDM의 생성 과정에서 직접 실행되는 속성 전환(attribute switching) 메커니즘을 활용한 새로운 공정 그래프 생성 프레임워크인 FAROS를 제안합니다. 기술적으로, 이 접근 방식은 생성 과정에서 노드의 민감한 속성(sensitive attributes)을 변경하는 방식으로 작동합니다. 이를 위해 FAROS는 전환할 노드의 최적 비율을 계산하고, 다중 기준 제약 조건을 설정하여 전환을 수행할 확산 단계를 선택합니다. 이는 원본 분포에서의 노드-토폴로지 프로파일(정확도의 대리 지표)을 보존하면서도 생성된 그래프에서 민감한 속성에 대한 간선 독립성(공정성의 대리 지표)을 보장하기 위함입니다. 링크 예측을 위한 벤치마크 데이터셋에서의 실험 결과, 제안된 접근 방식이 다른 유사한 베이스라인들과 비교하여 견줄 만한(또는 더 높은) 정확도 성능을 유지하면서도 공정성 격차를 효과적으로 줄이는 것으로 나타났습니다. 특히, FAROS는 파레토 최적성(Pareto optimality) 개념 하에서 테스트된 일부 설정에서 다른 경쟁자들보다 더 나은 정확도-공정성 균형을 달성할 수 있었으며, 이는 부과된 다중 기준 제약 조건의 효과를 입증합니다.

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: 속성 전환 메커니즘을 통한 공정한 그래프 생성

FAROS: Fair Graph Generation via Attribute Switching Mechanisms

초록

Support