TopoFair 링크 예측 벤치마크에서 위상 편향과 공정성 연결

초록

본 논문은 그래프 링크 예측에서 발생하는 구조적 위상 편향을 체계적으로 정리하고, 이를 제어할 수 있는 확장형 Barabási‑Albert 그래프 생성 모델을 제안한다. 정의된 다층 편향 지표와 합성 그래프를 이용해 기존 및 공정성‑강화 LP 모델을 평가함으로써, 동질성(호모필리) 외에도 중심성, 이웃 다양성, 정보 흐름 등 다양한 위상 편향이 공정성에 미치는 영향을 정량적으로 밝힌다.

상세 분석

TopoFair 논문은 그래프 기반 링크 예측(LP) 작업에서 공정성 문제를 다룰 때, 기존 연구가 지나치게 동질성(호모필리)만을 편향 요인으로 삼는 한계를 정확히 짚어낸다. 저자들은 먼저 “구조적 편향”을 노드‑레벨과 그래프‑레벨로 구분하고, 각각을 “위상적”과 “흐름 기반” 두 축으로 세분화한 통합 분류 체계를 제시한다. 노드‑레벨에서는 근접성(closeness), 매개 중심성(betweenness), 명예(prestige) 등 전통적 중심성 지표와 함께, 이웃의 차수 제약(constraint), 밀도(density), 이질성(heterogeneity), 이웃 다양성(heterophily) 등을 포함한다. 이러한 지표들은 민감 속성(예: 성별, 인종) 그룹 간 평균값 차이를 정규화한 “편향 정도(ω_M)”로 정량화한다. 특히, 정보 흐름 기반 지표인 효과적 저항(effective resistance)과 정보 제어(information control)를 도입해, 정적 위상만으로는 포착되지 않는 동적 접근성 차이를 측정한다.

그래프‑레벨에서는 전통적 동질성(assortativity) 외에도 그룹 간 평균 최단거리(AVG MIXED DIST), 차수 분포 비율(power law exponent ratio), 정보 불공정성(information unfairness) 등을 정의한다. 이들 지표는 그룹 간 연결 밀도, 허브 노드 집중도, 전파 효율성 차이를 포괄적으로 드러낸다.

다음으로 저자들은 이러한 편향을 제어할 수 있는 그래프 생성 메커니즘을 설계한다. 기본은 Barabási‑Albert(BA) 모델이지만, 네 가지 모듈을 추가한다: (1) 민감 속성 할당 파라미터 α를 통해 그룹 불균형을 조절, (2) 동질성 강도 β를 이용해 동일 속성 간 연결 확률을 증감, (3) 앵커 노드와 그 이웃(ego network) 기반 커뮤니티 성장 메커니즘, (4) 연결 수를 감마 분포로 샘플링해 이질성(heterogeneity) 조절. 이 확장형 BA 알고리즘은 실제 소셜 네트워크에서 관찰되는 스케일‑프리 차수 분포와 커뮤니티 구조를 유지하면서, 의도적으로 다양한 위상 편향 프로파일을 생성한다.

실험에서는 기존 GCN, GraphSAGE 등 전통적 LP 모델과, 공정성‑강화 기법(예: adjacency reweighting, random‑walk 조정, GNN aggregation 수정)을 동일한 합성 그래프와 몇 개의 실제 데이터셋에 적용했다. 결과는 다음과 같다. 첫째, 차수 중심성 편향이 큰 경우 비민감 그룹 노드가 링크 예측에서 현저히 높은 정확도를 보이며, 이는 “고차원 노드 편향”으로 해석된다. 둘째, 동질성 외에도 이웃 다양성(heterophily)이나 정보 흐름 편향이 공정성 메트릭(예: dyadic fairness, demographic parity) 변동에 큰 영향을 미친다. 셋째, 공정성‑강화 방법들은 동질성 편향을 완화하는 데는 효과적이지만, 다른 편향(예: 정보 불공정성)에는 오히려 성능 저하를 초래할 수 있다. 즉, 편향 종류에 따라 최적의 완화 전략이 달라짐을 보여준다.

이 논문의 핵심 기여는 (1) 구조적 편향을 포괄적으로 정의하고 정량화한 체계적인 분류, (2) 실험 가능한 수준에서 다중 편향을 동시에 제어할 수 있는 그래프 생성 프레임워크, (3) 다양한 편향이 공정성에 미치는 영향을 실증적으로 입증함으로써, 기존 공정성 연구가 놓친 “위상적 다변량 편향”을 조명한 점이다. 이러한 접근은 향후 공정성‑지향 그래프 학습 알고리즘 설계 시, 편향 사전 진단과 맞춤형 완화 전략을 설계하는 데 필수적인 기반을 제공한다.