Forskere har præsenteret en ny metode, der adresserer et grundlæggende problem i graf-neurale netværk (GNN'er): selv når følsomme attributter som køn eller etnicitet ikke indgår i dataene, kan netværkene stadig opføre sig diskriminerende. Årsagen ligger i selve grafstrukturen – homofili, hvor forbundne noder ofte deler gruppetilhørsforhold, gør at bias forplanter sig gennem netværkets budskabsudveksling. Tidligere fairness-metoder har primært forsøgt at korrigere output eller repræsentationer globalt, men overser de lokale strukturelle veje, hvorigennem den skæve information spredes.
Den nye tilgang, kaldet SF-GNN (Subgraph Filtering for Fair Graph Neural Networks), griber problemet an ved kilden. Metoden identificerer bias-truede kanter ved at kombinere sensitiv homofili med strukturelle forstærkere som hub-deltagelse og triade-lukning. Derefter filtreres disse kanter stokastisk i hvert budskabsudvekslingstrin, så deres indflydelse nedtones eller fjernes, mens resten af grafen bevares. Træningen inkluderer desuden en regularizer for statistisk paritet med en opvarmningsplan for at stabilisere optimeringen.
Resultaterne på fem benchmark-datasets viser, at SF-GNN opnår konsistente fairness-forbedringer, samtidig med at den prædiktive ydeevne holdes konkurrencedygtig – en bedre fairness-accuracy-afvejning end eksisterende fairness-baselines. Metoden er letvægts og arkitektur-agnostisk, hvilket betyder, at den kan integreres i eksisterende GNN-modeller uden større ombygning.
For beslutningstagere, der bygger eller køber AI-systemer til områder som ansættelse, kreditvurdering eller social analyse, er dette relevant, fordi det adresserer et velkendt problem: at modeller kan diskriminere, selv når man bevidst fjerner følsomme variable. SF-GNN tilbyder en mere målrettet løsning, der angriber bias i strukturen frem for kun at lappe på outputtet – og det uden at gå på kompromis med præcisionen. Det kan betyde, at virksomheder kan opnå både bedre fairness og fastholde modellernes effektivitet, hvilket er afgørende for både compliance og forretningsmæssig tillid.
