본 논문은 연합 그래프 학습(FGL)에서의 공정성 문제를 해결하기 위해 FairFGL 프레임워크를 제안합니다. 기존 FGL 방법들은 전체 노드 분류 정확도 향상에 집중하여 소수 클래스 노드나 이질적 연결(heterophilous connections)을 가진 노드에 대한 성능 저하를 간과하는 경향이 있습니다. FairFGL은 클래스별 공정성과 위상 인식 공정성이라는 두 가지 공정성 목표를 제시하며, 클라이언트 측에서는 History-Preserving Module, Majority Alignment Module, Gradient Modification Module을 통해 소수 클래스 노드의 표현 개선 및 이질적 연결로 인한 편향 완화를 시도합니다. 서버 측에서는 매개변수의 부분 집합만 업로드하고 클러스터 기반 집계 전략을 사용하여 통신 비용을 줄이고 지역 분포를 더 잘 반영합니다. 8개의 벤치마크 데이터셋에서 평가 결과, FairFGL은 최첨단 기준 모델보다 소수 그룹의 성능을 최대 22.62% 향상시키는 Macro-F1 gain을 달성하며 수렴 속도도 개선했습니다.
시사점, 한계점
•
시사점:
◦
연합 그래프 학습에서의 공정성 문제를 체계적으로 다루는 새로운 프레임워크(FairFGL) 제시.
