본 논문은 그래프 신경망(GNN)에서의 공정성 문제, 특히 차수 편향으로 인한 다양한 차수를 가진 노드 간의 불균등한 예측 성능 문제를 해결하기 위해 Fairness-Aware Asymmetric Contrastive Ensemble (FairACE)이라는 새로운 GNN 프레임워크를 제안합니다. FairACE는 비대칭적 대조 학습과 적대적 학습을 통합하여 차수 공정성을 향상시킵니다. 1-hop 지역 이웃 정보와 2-hop 동종성 유사도를 활용하여 더 공정한 노드 표현을 생성하고, 차수 공정성 조절기를 사용하여 고차수 및 저차수 노드 간의 성능 균형을 맞춥니다. 모델 훈련 중에는 새로운 그룹 균형 공정성 손실 함수를 제안하여 차수 그룹 간의 분류 불균형을 최소화합니다. 또한, 차수 기반 노드 그룹 간의 공정한 성능을 정량적으로 평가하고 보장할 수 있는 새로운 공정성 지표인 Accuracy Distribution Gap (ADG)을 제안합니다. 합성 및 실제 데이터셋에 대한 실험 결과는 FairACE가 최첨단 GNN 모델과 비교하여 경쟁력 있는 정확도를 유지하면서 차수 공정성 지표를 크게 향상시킴을 보여줍니다.
