FAROS: 基于属性切换机制的公平图生成

图扩散模型（GDM）的最新进展已实现了逼真网络结构的合成，然而，确保生成数据的公平性仍然是一个关键挑战。现有解决方案试图通过对GDM进行重新训练并施加临时性公平性约束来缓解偏见。与此相反，在本文工作中，我们提出了FAROS，这是一种新颖的公平图生成（FAir graph geneRatiOn）框架，它利用属性切换机制并直接在预训练GDM的生成过程中运行。从技术上讲，我们的方法通过在生成过程中改变节点的敏感属性来工作。为此，FAROS计算最佳的切换节点比例，并通过设置定制的多准则约束来选择执行切换的扩散步，以保留来自原始分布的节点拓扑特征（作为准确性的代理），同时确保生成图中边的敏感属性独立性（作为公平性的代理）。我们在用于链接预测的基准数据集上进行的实验表明，所提出的方法有效地减少了公平性差异，同时保持了与其他类似基线相当（甚至更高）的准确性性能。值得注意的是，在帕累托最优概念下，FAROS在某些测试设置中还能够比其他竞争对手取得更好的准确性-公平性权衡，这证明了所施加的多准则约束的有效性。