반사실적 개입을 통한 그래프 확산 모델의 토폴로지 편향 완화

Mitigating topology biases in Graph Diffusion via Counterfactual Intervention

그래프 확산 모델은 그래프 생성 작업에서 상당한 주목을 받고 있지만, 민감한 속성(예: 성별, 나이, 지역)으로부터 토폴로지 편향을 상속하고 증폭시켜 불공정한 합성 그래프를 생성하는 경우가 많습니다. 기존의 확산 모델을 사용한 공정한 그래프 생성 방법은 특정 그래프 기반 애플리케이션에 국한되거나 완전한 레이블이 필요하거나, 그래프 구조와 노드 속성을 동시에 업데이트해야 하므로 일반적인 사용에 적합하지 않습니다. 이러한 제한을 완화하기 위해, 우리는 그래프 토폴로지에 직접적으로 편향 제거 방법을 적용하는 Fair Graph Diffusion Model (FairGDiff)을 제안합니다. FairGDiff는 반사실적 기반의 단일 단계 솔루션으로, 공정성과 유용성의 균형을 유지하면서 토폴로지 편향을 완화합니다. 구체적으로, 우리는 민감한 속성, 편향된 링크 형성, 그리고 생성된 그래프 구조 간의 관계를 포착하는 인과 모델을 구축합니다. 우리는 "민감한 속성이 다를 경우 그래프 구조가 변경될 것인가?"라는 반사실적 질문에 답하여 편향되지 않은 결과를 추정하고, 이를 확산 과정에 통합합니다. FairGDiff는 반사실적 학습을 포워드 확산과 백워드 디노이징 과정 모두에 통합하여 생성된 그래프가 민감한 속성에 독립적이면서도 구조적 완전성을 유지하도록 합니다. 실제 데이터셋에 대한 광범위한 실험 결과, FairGDiff는 공정성과 유용성 간의 우수한 균형을 달성하며, 기존의 공정한 그래프 생성 방법보다 성능이 우수하고 확장성이 뛰는 것을 보여줍니다.

Graph diffusion models have gained significant attention in graph generation tasks, but they often inherit and amplify topology biases from sensitive attributes (e.g. gender, age, region), leading to unfair synthetic graphs. Existing fair graph generation using diffusion models is limited to specific graph-based applications with complete labels or requires simultaneous updates for graph structure and node attributes, making them unsuitable for general usage. To relax these limitations by applying the debiasing method directly on graph topology, we propose Fair Graph Diffusion Model (FairGDiff), a counterfactual-based one-step solution that mitigates topology biases while balancing fairness and utility. In detail, we construct a causal model to capture the relationship between sensitive attributes, biased link formation, and the generated graph structure. By answering the counterfactual question "Would the graph structure change if the sensitive attribute were different?", we estimate an unbiased treatment and incorporate it into the diffusion process. FairGDiff integrates counterfactual learning into both forward diffusion and backward denoising, ensuring that the generated graphs are independent of sensitive attributes while preserving structural integrity. Extensive experiments on real-world datasets demonstrate that FairGDiff achieves a superior trade-off between fairness and utility, outperforming existing fair graph generation methods while maintaining scalability.