FairGE: 불완전한 소셜 네트워크에서 공정성을 고려한 그래프 인코딩

FairGE: Fairness-Aware Graph Encoding in Incomplete Social Networks

그래프 트랜스포머(GT)는 점점 더 많이 소셜 네트워크 분석에 활용되고 있지만, 공정성 문제가 이러한 활용을 제한하는 경우가 많습니다. 이러한 문제는 특히 개인 정보 보호 및 윤리적 제약으로 인해 민감한 속성 정보가 자주 누락되는 불완전한 소셜 네트워크에서 더욱 심각합니다. 기존의 해결책들은 주로 누락된 속성 정보를 생성하는데, 이는 추가적인 편향을 유발하고 사용자 프라이버시를 더욱 침해할 수 있습니다. 이러한 문제를 해결하기 위해, FairGE(Fair Graph Encoding)는 불완전한 소셜 네트워크에서 GT를 위한 공정성을 고려한 프레임워크로 제시됩니다. FairGE는 민감한 속성 정보를 생성하는 대신, 스펙트럴 그래프 이론을 통해 직접적으로 공정성을 인코딩합니다. 주요 고유 벡터를 활용하여 구조적 정보를 표현하고, 독립성을 유지하기 위해 누락된 민감한 속성 정보를 0으로 채우는 방식으로, FairGE는 데이터 재구성이 필요 없이 공정성을 보장합니다. 이론적 분석 결과, 이 방법은 주 고유 성분 이외의 스펙트럴 구성 요소의 영향을 억제하여 공정성을 향상시키는 것으로 나타났습니다. 실제 소셜 네트워크 데이터셋 7개를 사용한 광범위한 실험 결과, FairGE는 최첨단 기준 모델과 비교하여 통계적 공정성과 기회 균등성 측면에서 최소 16%의 성능 향상을 달성했습니다. 소스 코드는 https://github.com/LuoRenqiang/FairGE 에서 확인할 수 있습니다.

Graph Transformers (GTs) are increasingly applied to social network analysis, yet their deployment is often constrained by fairness concerns. This issue is particularly critical in incomplete social networks, where sensitive attributes are frequently missing due to privacy and ethical restrictions. Existing solutions commonly generate these incomplete attributes, which may introduce additional biases and further compromise user privacy. To address this challenge, FairGE (Fair Graph Encoding) is introduced as a fairness-aware framework for GTs in incomplete social networks. Instead of generating sensitive attributes, FairGE encodes fairness directly through spectral graph theory. By leveraging the principal eigenvector to represent structural information and padding incomplete sensitive attributes with zeros to maintain independence, FairGE ensures fairness without data reconstruction. Theoretical analysis demonstrates that the method suppresses the influence of non-principal spectral components, thereby enhancing fairness. Extensive experiments on seven real-world social network datasets confirm that FairGE achieves at least a 16% improvement in both statistical parity and equality of opportunity compared with state-of-the-art baselines. The source code is shown in https://github.com/LuoRenqiang/FairGE.