Compositional Fairness Constraints for Graph Embeddings

Apprendre à intégrer des nœuds de haute qualité est une clé cruciale pour la construction de modèles d’apprentissage automatique qui fonctionnent sur des données graphiques, telles que les réseaux sociaux et les systèmes de recommandation. Cependant, les graphiques existants qui intègrent ces techniques sont incapables de faire face à des contraintes d’équité, par exemple, s’assurer que les représentations apprises ne sont pas en corrélation avec certains attributs, tels que l’âge ou le sexe. Ici, nous introduisons un cadre contradictoire pour imposer une équité constante sur les imbrications de graphes. Notre approche est compositionnel – ce qui signifie qu’elle peut être utilisé de manière flexible et s’adapter à différentes combinaisons d’équité pendant l’inférence. Par exemple, dans le contexte de recommandations sociales, notre cadre permettrait à un utilisateur que ses recommandations soient invariantes, à la fois sur l’âge et sur le genre, tout en permettant à un autre utilisateur de demander l’invariance à seulement l’âge. Les expériences sur le graphe de connaissances standard et le système de recommandation soulignent l’utilité de notre cadre proposé.