同類性（ホモフィリー）を考慮した教師ありコントラスタティブ・カウンターファクト拡張フェアなグラフニューラルネットワーク

要旨: 近年、グラフニューラルネットワーク（GNN）は、ノード分類、リンク予測、グラフ表現学習といったタスクにおいて目覚ましい成功を収めています。しかし、GNNは、ノード属性だけでなくグラフ構造そのものからも生じうるバイアスに対して脆弱であり続けます。したがって、GNNにおける公平性への取り組みは、重要な研究課題として浮上しています。本研究では、反実仮想拡張フェアなグラフニューラルネットワーク枠組み（CAF）を改善することで、公平性を意識したGNNを訓練するための新しいモデルを提案します。具体的には、我々の手法は二段階の訓練戦略を導入します。第一段階では、クラスラベルに関してはホモフィリー率を高める一方で、センシティブ属性ラベルに関してはホモフィリー率を低下させるようにグラフを編集します。第二段階では、修正した教師ありコントラスト学習損失と環境損失を最適化プロセスに統合し、モデルが予測性能と公平性の双方を同時に改善できるようにします。5つの実世界データセットに対する実験により、本モデルは分類精度および公平性指標の両方において、CAFといくつかの最先端のグラフベース学習手法よりも優れていることが示されます。