공정한 GNN을 향한 도약: FairACE의 등장

FairACE는 그래프 신경망(GNN)의 차수 편향 문제를 해결하기 위해 고안된 새로운 프레임워크로, 비대칭적 대조 학습과 적대적 학습을 통합하여 차수 그룹 간의 공정성을 향상시키고 경쟁력 있는 정확도를 유지합니다. 새로운 공정성 지표 ADG를 활용하여 정량적인 평가를 수행하며, 실험 결과를 통해 기존 모델 대비 우수한 성능을 입증합니다.

최근 몇 년 동안 그래프 신경망(GNN)은 괄목할 만한 발전을 이루었지만, 여전히 해결해야 할 중요한 과제가 남아 있습니다. 바로 공정성(Fairness) 입니다. GNN은 노드의 차수(degree, 연결된 노드 수)에 따라 편향된 예측 성능을 보이는 경우가 많습니다. 즉, 연결된 노드가 많은 노드는 높은 정확도를, 연결된 노드가 적은 노드는 낮은 정확도를 보이는 현상이 발생하는 것입니다. 이는 다양한 분야에 적용되는 GNN의 신뢰성과 공정성에 대한 심각한 문제를 제기합니다.

이러한 문제를 해결하기 위해 등장한 것이 바로 FairACE (Fairness-Aware Asymmetric Contrastive Ensemble) 입니다. Liu Jiaxin 등 연구진이 제안한 FairACE는 비대칭적 대조 학습과 적대적 학습이라는 두 가지 강력한 기법을 결합하여 차수에 따른 불공정성을 해소하는 데 초점을 맞추고 있습니다.

FairACE의 핵심은 무엇일까요?

• 비대칭적 대조 학습: 1-hop(직접 연결된 노드) 및 2-hop(1-hop 노드에 연결된 노드) 이웃 정보를 활용하여 더욱 공정한 노드 표현을 생성합니다. 이는 노드의 연결 관계를 보다 균형 있게 고려하여 편향된 학습을 방지하는 데 도움을 줍니다.
• 적대적 학습: 모델이 차수에 따른 편향을 학습하지 못하도록 적대적으로 학습시킵니다. 이를 통해 차수 그룹 간의 예측 성능 차이를 줄입니다.
• 차수 공정성 조절기: 고차수 노드와 저차수 노드 간의 성능 균형을 유지하는 역할을 합니다. 이를 통해 어느 한쪽에 치우친 결과가 나오는 것을 방지합니다.
• 그룹 균형 공정성 손실 함수: 차수 그룹 간의 분류 불균형을 최소화하는 데 기여합니다. 이는 모든 차수 그룹에서 공정한 예측 성능을 보장하는 데 중요한 역할을 합니다.
• Accuracy Distribution Gap (ADG): 새로운 공정성 지표로, 다양한 차수 그룹에서의 성능을 정량적으로 평가하고, 공정성을 보장하는 데 활용됩니다.

결론적으로, FairACE는 기존 GNN 모델들의 한계를 극복하고, 차수 공정성을 크게 향상시키는 획기적인 모델입니다. 합성 데이터와 실제 데이터 세트에 대한 실험 결과는 FairACE가 경쟁력 있는 정확도를 유지하면서 동시에 차수 공정성을 향상시킨다는 것을 증명합니다. 이는 GNN의 공정성 문제 해결에 중요한 발걸음이며, 향후 다양한 분야에서 GNN의 신뢰성과 공정성을 높이는 데 크게 기여할 것으로 기대됩니다. FairACE의 등장은 공정한 AI 시스템 구축을 위한 중요한 이정표가 될 것입니다.