FAROS: Eerlijke Grafengeneratie via Attribuutwisselingsmechanismen

FAROS: Fair Graph Generation via Attribute Switching Mechanisms

July 4, 2025

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

cs.AI

Samenvatting

Recente vooruitgang in grafische diffusiemodellen (GDMs) heeft de synthese van realistische netwerkstructuren mogelijk gemaakt, maar het waarborgen van eerlijkheid in de gegenereerde data blijft een kritieke uitdaging. Bestaande oplossingen proberen bias te verminderen door de GDMs opnieuw te trainen met ad-hoc eerlijkheidsbeperkingen. Daarentegen stellen wij met dit werk FAROS voor, een nieuw FAir graph geneRatiOn raamwerk dat gebruikmaakt van attribuut Switching mechanismen en direct in het generatieproces van het vooraf getrainde GDM werkt. Technisch gezien werkt onze aanpak door gevoelige attributen van nodes tijdens de generatie aan te passen. Hiertoe berekent FAROS de optimale fractie van te switchen nodes en selecteert het de diffusiestap om de switch uit te voeren door op maat gemaakte multi-criteria beperkingen in te stellen om het node-topologieprofiel van de oorspronkelijke distributie te behouden (een proxy voor nauwkeurigheid) terwijl de onafhankelijkheid van de randen op de gevoelige attributen voor de gegenereerde grafiek wordt gewaarborgd (een proxy voor eerlijkheid). Onze experimenten op benchmarkdatasets voor linkvoorspelling tonen aan dat de voorgestelde aanpak effectief eerlijkheidsdiscrepanties vermindert terwijl vergelijkbare (of zelfs hogere) nauwkeurigheidsprestaties worden behouden ten opzichte van andere vergelijkbare baselines. Opmerkelijk is dat FAROS in sommige van de geteste instellingen onder het Pareto-optimaliteitsconcept ook een betere nauwkeurigheid-eerlijkheid afweging kan maken dan andere concurrenten, wat de effectiviteit van de opgelegde multi-criteria beperkingen aantoont.

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.