FAROS: Генерация справедливых графов с использованием механизмов переключения атрибутов

FAROS: Fair Graph Generation via Attribute Switching Mechanisms

July 4, 2025

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

cs.AI

Аннотация

Последние достижения в области моделей диффузии графов (GDMs) позволили синтезировать реалистичные сетевые структуры, однако обеспечение справедливости в генерируемых данных остается важной задачей. Существующие решения пытаются снизить предвзятость путем повторного обучения GDMs с использованием ad-hoc ограничений на справедливость. В данной работе мы предлагаем FAROS — новый фреймворк для FAir генерации графов, который использует механизмы переключения атрибутов и работает непосредственно в процессе генерации предварительно обученной GDM. Технически наш подход заключается в изменении чувствительных атрибутов узлов во время генерации. Для этого FAROS вычисляет оптимальную долю узлов для переключения и выбирает шаг диффузии для выполнения переключения, устанавливая адаптированные многокритериальные ограничения для сохранения профиля топологии узлов из исходного распределения (прокси для точности) и обеспечения независимости ребер от чувствительных атрибутов в сгенерированном графе (прокси для справедливости). Наши эксперименты на эталонных наборах данных для предсказания связей демонстрируют, что предложенный подход эффективно снижает различия в справедливости, сохраняя сопоставимую (или даже более высокую) точность по сравнению с другими аналогичными базовыми методами. Примечательно, что FAROS также способен достичь лучшего компромисса между точностью и справедливостью, чем другие конкуренты, в некоторых тестируемых условиях в рамках концепции Парето-оптимальности, что подтверждает эффективность наложенных многокритериальных ограничений.

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.