FAROS: Geração Justa de Grafos por Meio de Mecanismos de Troca de Atributos

FAROS: Fair Graph Generation via Attribute Switching Mechanisms

July 4, 2025

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

cs.AI

Resumo

Avanços recentes em modelos de difusão em grafos (GDMs) têm possibilitado a síntese de estruturas de rede realistas, mas garantir justiça nos dados gerados continua sendo um desafio crítico. As soluções existentes tentam mitigar o viés retreinando os GDMs com restrições de justiça ad-hoc. Em contrapartida, com este trabalho, propomos o FAROS, uma nova estrutura de geração de grafos justos (FAir graph geneRatiOn) que utiliza mecanismos de troca de atributos (attribute Switching) e opera diretamente no processo de geração do GDM pré-treinado. Tecnicamente, nossa abordagem funciona alterando os atributos sensíveis dos nós durante a geração. Para isso, o FAROS calcula a fração ótima de nós a serem trocados e seleciona o passo de difusão para realizar a troca, definindo restrições multicritério personalizadas para preservar o perfil de topologia dos nós da distribuição original (um proxy para precisão) enquanto garante a independência das arestas em relação aos atributos sensíveis no grafo gerado (um proxy para justiça). Nossos experimentos em conjuntos de dados de referência para predição de links demonstram que a abordagem proposta reduz efetivamente as discrepâncias de justiça enquanto mantém um desempenho de precisão comparável (ou até superior) a outras linhas de base semelhantes. Notavelmente, o FAROS também consegue alcançar um melhor equilíbrio entre precisão e justiça do que outros concorrentes em algumas das configurações testadas sob o conceito de otimalidade de Pareto, demonstrando a eficácia das restrições multicritério impostas.

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.