Les réseaux de neurones de graphes (Graph Neural Networks, GNN) sont devenus une approche puissante pour l’apprentissage à partir de données structurées en graphes, telles que les réseaux sociaux. Malgré leurs fortes performances prédictives dans des tâches comme la classification de nœuds et la prédiction de liens, les GNN peuvent hériter et amplifier les biais présents dans les caractéristiques des nœuds et la topologie du graphe vis-à-vis d’attributs sensibles tels que la race, le genre ou l’âge, ce qui conduit à des résultats injustes. Assurer l’équité dans les GNN est donc devenu un problème à la fois important et difficile. Cette thèse se concentre sur l’équité contrefactuelle comme voie principielle pour atténuer de tels biais. Nous introduisons deux cadres contrefactuels pour la mitigation des biais dans les GNN. Le premier est un cadre empirique qui équilibre explicitement performance prédictive et équité en améliorant le Counterfactual Augmented Fair GNN (CAF), une approche d’équité contrefactuelle pour les réseaux de neurones de graphes. Le second cadre établit d’abord une formulation théorique de l’équité contrefactuelle dans les GNN, fondée sur le modèle Contextual Stochastic Block Model, puis propose une nouvelle méthode d’équité dérivée de cette analyse théorique. Enfin, nous proposons une méthode indépendante du modèle, applicable à la fois aux GNN classiques et aux GNN conçus pour l’équité, afin d’obtenir un compromis entre précision de classification et mesures d’équité. De nombreuses expériences sur des jeux de données de référence réels montrent que les approches proposées réduisent substantiellement les inégalités tout en préservant des performances prédictives compétitives. |
Graph Neural Networks (GNNs) have become a powerful approach for learning from graph-structured data such as social networks. Despite their strong predictive performance in tasks such as node classification and link prediction, GNNs can inherit and amplify biases present in node features and graph topology with respect to sensitive attributes such as race, gender, or age, leading to unfair outcomes. Ensuring fairness in GNNs has therefore become an important and challenging problem. This thesis focuses on counterfactual fairness as a principled avenue for mitigating such biases. We introduce two counterfactual frameworks for bias mitigation in GNNs. The first is an empirical framework that explicitly balances predictive performance and fairness by improving the Counterfactual Augmented Fair GNN (CAF), a counterfactual fairness approach for graph neural networks. The second framework first establishes a theoretical formulation of counterfactual fairness in GNNs based on the Contextual Stochastic Block Model, and then proposes a new fairness method derived from this theoretical analysis. Finally, we propose a model-agnostic method applicable to both vanilla and fairness-aware GNNs to achieve a trade-off between classification accuracy and fairness metrics. Extensive experiments on real-world benchmark datasets demonstrate that the proposed approaches substantially reduce unfairness while preserving competitive predictive performance. |