公平かつプライバシー保護されたグラフニューラルネットワークのための統一フレームワークに向けて

科学分野:

• 人工知能
• 機械学習
• データプライバシー

背景:

• 重要なアプリケーションにおけるグラフニューラルネットワーク（GNN）は、公平性とプライバシーに関する懸念を引き起こします。
• 既存の手法は、公平性とプライバシーを個別に処理するため、競合が生じます。
• 距離ベースの公平性手法は、属性推論などのプライバシーリスクを意図せず増大させる可能性があります。

研究 の 目的:

• 公平かつプライバシー保護されたGNNのための統一フレームワークであるFPGNNを提案すること。
• ローカル差分プライバシー（LDP）下でのノイズの多い機密属性の処理のためにPL-FPGNNを導入すること。
• 提案された手法の有効性を理論的および経験的に実証すること。

主な方法:

• 個人間の公平性のための微分可能なランキングアプローチを使用してFPGNNを開発しました。
• 埋め込み内の機密情報を保護するために、FPGNN内に敵対的トレーニングを実装しました。
• LDPで保護された属性のノイズに対処するために、PL-FPGNNにフォワード補正を導入しました。

主要な成果:

• FPGNNは、プライバシー漏洩の増幅を回避するランキングベースの個人間の公平性を達成します。
• PL-FPGNNは、ノイズの多い機密属性を堅牢に処理します。
• 実験により、FPGNNとPL-FPGNNが公平性、プライバシー、予測精度をバランスさせることが示されています。

結論:

• 提案されたFPGNNフレームワークは、GNNにおける公平性とプライバシーのための統一ソリューションを提供します。
• PL-FPGNNは、ノイズの多い機密属性を持つシナリオに対して堅牢な方法を提供します。
• ランキングベースの公平性アプローチは、理論的に健全であり、実践的にも効果的です。