그래프 신경망 (Graph Neural Networks)에서의 기하학적 공정성

그래프 기반 학습 방법은 다양한 응용 분야에서 강력한 성능을 보여줌에 따라 점점 더 중요해지고 있습니다. 이러한 방법들 중, 최근 확산 과정 (diffusion processes)에 기반한 프레임워크는 표준 메시지 전달 (message-passing) 메커니즘의 한계를 해결하면서 기존의 그래프 신경망 (graph neural network) 공식을 확장하는 통합적인 관점을 제공합니다. 이러한 발전에도 불구하고, 이러한 모델들이 데이터에 존재하는 편향 (biases)을 전파하거나 증폭시킬 수 있다는 점에서 공정성 (fairness)에 대한 우려가 남아 있습니다. 본 연구에서는 근간이 되는 라플라시안 연산자 (Laplacian operator)를 수정함으로써, 그래프 기반 확산 (graph-based diffusion)의 공정성 인식 적응형 모델을 소개합니다. 우리의 접근 방식은 편향 관련 구성 요소를 완화하기 위해 부분 공간 투영 (subspace projections), 스펙트럼 조정 (spectral adjustments), 주파수 기반 필터링 (frequency-based filtering)을 포함한 여러 상호 보완적인 변환을 통합합니다. 그래프 확산의 고유한 평활화 특성 (smoothing properties)을 활용하여, 우리는 결과적인 동작에 대한 원칙적인 분석을 제공하고 공정성 특성에 대한 이론적 통찰을 확립합니다. 우리는 합성 데이터셋과 실제 데이터셋 모두에서 제안된 프레임워크를 평가하며, 이를 통해 제한된 추가 계산 비용으로 공정성 지표를 개선하는 동시에 경쟁력 있는 성능을 달성함을 입증합니다.