【WSDM2024】数据中的恶魔：通过部分知识蒸馏学习公平的图神经网络

图神经网络（GNNs）越来越多地应用于许多高风险任务中，因此，近来人们对它们的公平性越来越关注。研究表明，GNNs往往会对某些由敏感属性如性别和种族划分的人群做出歧视性决策。尽管近期的工作致力于提高它们的公平性能，但这通常需要可以获取的人口统计信息。由于法律限制，这在现实世界场景中极大地限制了它们的适用性。为解决这个问题，我们提出了一种不依赖人口统计信息的方法，通过知识蒸馏来学习公平的GNNs，即FairGKD。我们的工作是由这样一个实证观察所激发的：在部分数据（即，只有节点属性或拓扑数据）上训练GNNs可以提高它们的公平性，尽管这牺牲了一定的效用。为了在公平性和效用性能之间做出平衡的权衡，我们采用了一组公平专家（即，在不同部分数据上训练的GNNs）来构建合成教师，该教师蒸馏出更公平且富有信息的知识以指导GNN学生的学习。在几个基准数据集上的实验表明，FairGKD不需要访问人口统计信息，显著提高了GNNs的公平性，同时保持了它们的效用。