🤖 machine learning

Fairness in Link Prediction Beyond Demographic Parity: A Reproducibility Study

تُثبت دراسة إعادة الإنتاج هذه أن مقياس NDKL المقترح المعتمد على الرتب وطريقة المعالجة اللاحقة MORAL يكشفان بفعالية عن انحيازات التعرض في التنبؤ بالروابط ويخففان من حدتها، وهي الانحيازات التي تغفل عنها المساواة الديموغرافية التقليدية، مع الحفاظ في الوقت ذاته على فائدة تنافسية عبر إعدادات متنوعة.

المؤلفون الأصليون: Valentijn Oldenburg, Floris de Kam, Stef de Wildt, Jarno Nilson Balk

نُشر 2026-08-11

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Valentijn Oldenburg, Floris de Kam, Stef de Wildt, Jarno Nilson Balk

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك قبطان سفينة رقمية ضخمة، تقود أسطولاً من التوصيات عبر المحيط الشاسع للإنترنت. في كل مرة تقترح فيها صديقاً جديداً، أو مرشحاً لوظيفة، أو خدمة ما، فإنك تقوم أساساً بوضع رابط بين شخصين. في عالم تعلم الآلة، يسمى هذا التنبؤ بالروابط (Link Prediction). ولكن هنا تكمن المشكلة: مجرد قدرتك على التنبؤ برابط لا يعني أنه يجب عليك معاملة الجميع بالتساوي. إذا كان بوصلة سفينتك منحرفة قلياً، فقد تستمر في توجيه نفس المجموعات من الناس نحو بعضهم البعض بينما تترك الآخرين عالقين في الظلام. هذه هي مشكلة العدالة (Fairness).

لفترة طويلة، استخدم العلماء قاعدة بسيطة تسمى التكافؤ الديموغرافي (Demographic Parity) للتحقق مما إذا كانت سفينتهم عادلة. فكر في الأمر كأنك تعد عدد الركاب من المجموعة (أ) والمجموعة (ب) على سطح السفينة. إذا كانت الأعداد متساوية تقريباً، يفترض القبطان أن الجميع يُعاملون بعدالة. لكن هذه الورقة البحثية تجادل بأن هذه القاعدة تشبه التحقق من عدد الركاب دون النظر إلى أين يجلسون. إذا كانت المجموعة (أ) كلها في صالة كبار الشخصيات في المقدمة (تحصل على كل الاهتمام) والمجموعة (ب) محشورة في عنبر الشحن في الخلف (يتم تجاهلها)، فقد يبدو العدد الإجمالي متوازناً، لكن التجربة ستكون غير عادلة تماماً. هذا هو الفرق بين مجرد "التواجد" وبين الحصول على التعرض (Exposure)—أي فرصة أن تُرى وتُختار.

قرر الباحثون في هذه الدراسة، وهم فريق من الطلاب من جامعة أمستردام، اختبار نظرية جديدة حول "تحيز التعرض" هذا. أرادوا معرفة ما إذا كانت القاعدة القديمة (التكافؤ الديموغرافي) تخفي المشكلة الحقيقية، وما إذا كان هناك مسطرة جديدة أكثر حساسية يمكنها إصلاح ذلك. لم يأخذوا الفكرة الأصلية كأمر مسلم به؛ بل أعادوا بناء التجربة من الصفر، وأصلحوا بعض الأدوات المعطلة التي وجدوها، بل وصنعوا بحاراً عاصفة خاصة بهم لاختبار مدى صمود البوصلة الجديدة. وما وجدوه يشير إلى أنه لكي نكون عادلين حقاً، لا نحتاج فقط إلى النظر في من يحصل على رابط، بل في أين يظهر ذلك الرابط في قائمة الاقتراحات.

قصة الورقة البحثية

الورقة البحثية، التي تحمل عنوان "العدالة في التنبؤ بالروابط بما يتجاوز التكافؤ الديموغرافي: دراسة قابلية التكرار"، هي في الأساس قصة بوليسية عن العدالة في الخوارزميات الحاسوبية. وضع المؤلفون، فالنتين أولدنبورغ، فلوريس دي كام، ستيف دي ويلدت، ويارنو بالك، هدفاً يتمثل في التحقق من ادعاء قدمه فريق آخر من الباحثين (Mattos et al., 2025). جادل الفريق الأصلي بأن الطريقة القياسية لقياس العدالة كانت معيبة لأنها تتجاهل ترتيب الروابط.

لفهم المشكلة، تخيل قائمة تشغيل موسيقى. إذا كان من المفترض أن تكون قائمة التشغيل عادلة، فلا ينبغي أن تشغل فقط عدداً متساوياً من الأغاني للفنان (أ) والفنان (ب). بل يهم متى يتم تشغيلها. إذا كانت أغاني الفنان (أ) تُعزف دائماً في المقدمة (حيث يستمع الناس فعلياً)، وأغاني الفنان (ب) مدفونة في الأسفل (حيث لا يتصفح أحد)، فإن قائمة التشغيل تكون متحيزة، حتى لو كان إجمالي عدد الأغنيات هو نفسه. في عالم التنبؤ بالروابط، هذا "أعلى القائمة" هو المكان الذي يحدث فيه التعرض. كانت القاعدة القديمة، التكافؤ الديموغرافي، تشبه عدّ إجمالي الأغاني والقول: "مهلاً، لدينا 50 أغنية لـ (أ) و50 لـ (ب)، لذا نحن عادلون!". أما القاعدة الجديدة، المسماة NDKL، فهي تنظر إلى ترتيب قائمة التشغيل وتسأل: "انتظر، لماذا جميع أغاني (أ) في أول عشر مقطوعات؟".

قام مؤلفو هذه الورقة بثلاثة أشياء رئيسية:

أعادوا بناء التجربة: أخذوا الكود والأساليب من الدراسة الأصلية لعام 2025 وحاولوا إعادة إنتاج النتائج. وجدوا أن الكود الأصلي كان يحتوي على بعض الأخطاء والتناقضات. وبعد إصلاح هذه الأخطاء، أكدوا النتائج الرئيسية للفريق الأصلي: القاعدة القديمة (التكافؤ الديموغرافي) تخفي بالفعل عدم العدالة، والقاعدة الجديدة (NDKL) تكشفها بالفعل.
اختبروا "الإصلاح": اقترحت الدراسة الأصلية طريقة تسمى MORAL لحل المشكلة. MORAL يشبه منسق موسيقى (DJ) ذكياً يعيد ترتيب قائمة التشغيل بعد اختيار الأغاني. فهو يأخذ الاقتراحات الأولية ويعيد ترتيبها بحيث تحصل المجموعات المختلفة على فرصة عادلة في المراكز الأولى، دون إفساد جودة الموسيقى. وجد المؤلفون أن MORAL نجح في تقليل تحيز التعرض غير العادل مع الحفاظ على فائدة التوصيات.
وضعوا النظام تحت الضغط: لضمان أن الأمر لم يكن مجرد مصادفة، أنشأوا "اختبارات ضغط" خاصة بهم. بنوا شبكات اجتماعية وهمية بمستويات مختلفة من التجانس (Homophily) (الميل للاتصال بأشخاص يشبهونهم). وجدوا أنه حتى عندما كانت الشبكات معقدة أو كانت المجموعات صغيرة، تمكن MORAL من الحفاظ على العدالة. كما اختبروا ما يحدث عند وجود أكثر من مجموعتين فقط (مثل إضافة فئة ثالثة أو رابعة)، وصمد النظام بشكل جيد، رغم أن موازنته أصبحت أصعب قليلاً مع صغر حجم المجموعات.

ما وجدوه

تؤكد الدراسة أن التكافؤ الديموغرافي هو مقياس ضعيف للعدالة عندما يتعلق الأمر بالقوائم المرتبة. وتقترح أن الاعتماد عليه يشبه الحكم على سباق من خلال عدد الأشخاص الذين أنهوا السباق، مع تجاهل من فاز بالفعل بالميدالية الذهبية. المقياس الجديد، NDKL، أفضل بكثير في رصد الحالات التي يتم فيها دفع مجموعة ما بشكل منهجي إلى أسفل القائمة.

أثبتت طريقة MORAL، التي تعمل كأداة "إعادة ترتيب" لما بعد المعالجة، أنها فعالة للغاية. في تجاربهم عبر ست مجموعات بيانات مختلفة من العالم الحقيقي (بما في ذلك الشبكات الاجتماعية وبيانات الائتمان)، نجح MORAL باستمرار في تقليل تحيز التعرض. على سبيل المثال، في مجموعة بيانات "فيسبوك"، خفضت الطريقة الجديدة درجة عدم العدالة إلى ما يقرب من الصفر (مما يعني وجود تحيز ضئيل جداً)، مع الحفاظ على دقة التنبؤات عالية.

اكتشف المؤلفون أيضاً أن النظام قوي. حتى عندما قاموا بمحاكاة شبكات حيث كانت إحدى المجموعات صغيرة جداً أو حيث كان الناس يميلون فقط للاتصال بمن يشبهونهم (تجانس عالٍ)، استطاع MORAL توزيع التعرض بشكل عادل. ومع ذلك، أشاروا إلى وجود مقايضة: مع زيادة عدد المجموعات المختلفة، أصبح تحقيق التوازن للجميع أصعب قليلاً، واحتج النظام إلى المزيد من قوة الحوسبة. ولكن حتى مع ذلك، ظلت التوصيات الأولى دقيقة.

الخلاصة

لا تدعي هذه الورقة أنها حلت كل مشاكل العدالة في الذكاء الاصطناعي، لكنها تشير بقوة إلى أننا بحاجة إلى تغيير كيفية قياسها. إذا كنا نهتم بمن يُرى ومن يتم تجاهله، فلا يمكننا مجرد عد الرؤوس؛ بل يجب أن ننظر إلى مخطط الجلوس. تظهر الدراسة أنه باستخدام مقياس يحترم ترتيب القائمة (مثل NDKL) وطريقة تعيد ترتيب القائمة بنشاط لتكون عادلة (مثل MORAL)، يمكننا بناء أنظمة ليست دقيقة فحسب، بل عادلة حقاً لجميع المجموعات، بغض النظر عن مدى صغرها أو كونها مخفية. لقد أصدر المؤلفون أيضاً الكود المصحح الخاص بهم حتى يتمكن الآخرون من التحقق من عملهم والبناء عليه، مما يضمن أن الطريق نحو ذكاء اصطناعي عادل مفتوح للجميع.

بيان المشكلة
تهدف العدالة في التنبؤ بالروابط إلى تقليل التفاوتات في احتمالات الروابط المتوقعة عبر المجموعات. في أنظمة التوصية للشبكات الاجتماعية، يحدد المتنبئون بالروابط مستوى الظهور والاتصال، مما قد يؤدي إلى خلق حلقات تغذية راجعة تعزز الروابط داخل المجموعة الواحدة وتضع المجموعات الأقلية في وضع غير مواتٍ. تبرز مشكلة حرجة عندما يتم تدريب هذه النماذج على بيانات رسوم بيانية تاريخية، والتي يمكن أن ترث وتضخم التحيزات الهيكلية القائمة.

بينما يعد التكافؤ الديموغرافي ( $\Delta$ DP) مقياساً شائعاً للعدالة في التنبؤ بالروابط القائم على التصنيف، إلا أنه يجمع الروابط في فئات عامة (داخل المجموعة مقابل بين المجموعات). ويجادل ماتوس وآخرون (2025) بأن هذا المنظور الثنائي يفشل في اكتشاف تحيز الظهور لأنه يتجاهل الموقع المحدد للروابط ضمن التصنيف. وبناءً على ذلك، يمكن أن يتحقق التكافؤ الإجمالي حتى عندما يتم تصنيف روابط أزواج فرعية محددة (مثل روابط إناث-إناث) بشكل منهجي في مراتب أدنى من غيرها، مما يحجب التفاوتات داخل المجموعة الواحدة.

المنهجية
تعد هذه الدراسة إعادة إنتاج وتوسيع لعمل ماتوس وآخرون (2025). حيث صاغ المؤلفون التنبؤ بالروابط كمسألة تصنيف حيث تحدد السمات الحساسة أنواع أزواج المجموعات الفرعية (على سبيل المثال، $E_{0-0}, E_{1-1}, E_{0-1}$ ).

المقاييس:

التكافؤ الديموغرافي ( $\Delta$ DP): يقيس الفرق في متوسط الدرجات المتوقعة بين الروابط داخل المجموعة ( $E_{intra}$ ) والروابط بين المجموعات ( $E_{inter}$ ). وهو ثابت الترتيب فيما يتعلق بتسلسل التصنيف.
تشتت كولباك - ليبلر الموزون طبيعياً (NDKL): مقياس يعتمد على الرتبة وغير ثنائي، يعامل جميع أنواع أزواج المجموعات الفرعية بشكل متميز. يقوم بتجميع تشتت كولباك - ليبلر بين توزيع الظهور المتوقع والتوزيع المستهدف عبر مقدمات التصنيف، مع وزن عامل اضمحلال لوغاريتمي لفرض عقوبة أكبر على الانحرافات في الرتب العليا.
المنفعة (Utility): تُقاس عبر Precision@1000 وNDCG@1000.

MORAL (التجميع متعدد المخرجات للتصنيف من أجل عدالة الروابط):
خوارزمية معالجة لاحقة لإعادة ترتيب مخرجات المتنبئات بالروابط المنفصلة (نموذج واحد مُدرب لكل نوع من أنواع أزواج المجموعات الفرعية). تستخدم MORAL استراتيجية تجميع جشعة موجهة بـ KL: عند كل موضع رتبة، تختار أفضل حافة متبقية من كل مجموعة أزواج فرعية لتقليل تشتت KL بين توزيع الظهور المحدث والتوزيع المستهدف $\pi$ (المستمد من الرسم البياني الأصلي).
الإعداد التجريبي:

مجموعات البيانات: ست مجموعات بيانات للشبكات الاجتماعية (Credit, Facebook, German, NBA, Pokec-n, Pokec-z) ومجموعتان إضافيتان (Global Airport Routes Network, Chameleon) للتحقق من الطوبولوجيا.
إعادة الإنتاج: أعاد المؤلفون إنتاج الإعداد الأساسي باستخدام مشفرات GCN وفك تشفير ضرب النقطة، مع تصحيح التناقضات الموجودة في الكود الأصلي فيما يتعلق بحساب التوزيع المستهدف وتجميع KL.
التوسعات:
- اختبار الضغط للتماثل غير المتماثل: رسوم بيانية اصطناعية تم إنشاؤها عبر نموذج الارتباط المفضل الموجه بالتماثل (DPAH) لاختبار الأداء تحت درجات متفاوتة من الاتصال داخل المجموعة.
- متانة المقياس: التقييم باستخدام Attention-Weighted Rank Fairness (AWRF) وNDCG لضمان أن النتائج ليست خاصة بآلية تجميع NDKL.
- السمات الفئوية: توسيع الإطار ليشمل السمات الحساسة ذات الكاردينالية $m > 2$ .

المساهمات الرئيسية

إعادة الإنتاج والتصحيح: نجحت الدراسة في إعادة إنتاج الادعاءات الجوهرية لماتوس وآخرون (2025) مع إصدار نسخة مصححة وقابلة لإعادة الإنتاج. لقد حددت وأصلحت التناقضات في الكود الأصلي فيما يتعلق بحساب التوزيع المستهدف وتطبيع تشتت KL.
التحقق من الادعاءات:
- C1: تؤكد أن $\Delta$ DP يمكن أن يشير إلى التكافؤ الإجمالي حتى عندما توجد تفاوتات ظهور كبيرة داخل أزواج المجموعات الفرعية المحددة (مثل داخل $E_{intra}$ ).
- C2: تثبت أن NDKL يكتشف هذه التفاوتات الخفية بفعالية بسبب طبيعته المعتمدة على الرتبة وغير الثنائية.
- C3: تظهر أن MORAL تخفف باستمرار من تحيزات الظهور (NDKL منخفض) مع الحفاظ على منفعة تنافسية (Precision/NDCG) عبر مجموعات بيانات متنوعة.
تحليل المتانة:
- وسعت الدراسة العمل الأصلي باختبار التماثل غير المتماثل، مما أظهر أن MORAL تعمل بقوة، رغم أن تفاوتات الظهور تكون أكثر وضوحاً عند مستويات التماثل المطلق المتوسطة.
- تحققت من قدرة الإطار على التعميم للسمات الفئوية (حتى $m=10$ ) وطوبولوجيا الرسوم البيانية المختلفة (Core-periphery, Heterophilic).
- أكدت أن تحسينات العدالة ليست مجرد نتاج لتحسين NDKL، حيث لوحظت اتجاهات مماثلة باستخدام AWRF.

النتائج

العدالة مقابل المنفعة: تحقق MORAL قيمة NDKL قريبة من الصفر عبر جميع مجموعات البيانات، متفوقة بشكل كبير على النماذج المرجعية (FairAdj, FairWalk, DetConstSort). يأتي هذا الانخفاض في تحيز الظهور مع فقدان ضئيل في المنفعة؛ حيث تحافظ MORAL على Precision@1000 عالية، وغالباً ما تضاهي أو تتجاوز النماذج المرجعية.
حساسية المقياس: يظل $\Delta$ DP ثابتاً إلى حد كبير تجاه التحولات في تخصيص الظهور داخل المجموعات، بينما يكون NDKL وAWRF حساسين للغاية لهذه التحولات.
التماثل (Homophily): في الإعدادات الاصطناعية، تصل مقاييس الظهور إلى ذروتها عند التماثل المطلق المتوسط ( $\approx 0.6$ )، حيث تكون الحواف داخل المجموعة متكررة ولكن الرتب تظل متنوعة. عند التماثل العالي، تنخفض المنفعة قليلاً لأن المتنبئات المنفصلة تتلقى إشارات تدريب أضعف.
السمات الفئوية: مع زيادة عدد أنواع أزواج المجموعات الفرعية ( $T$ )، يتدهور NDKL وAWRF بشكل رتيب، مما يشير إلى أن محاذاة الظهور مع التوزيع المستهدف تصبح أصعب تدريجياً. ومع ذلك، تظل المنفعة عالية، مما يشير إلى أن الحواف ذات الرتب العليا تظل دقيقة حتى مع عدم استقرار الرتب الأدنى.
دراسة الاستبعاد (Ablation): تظهر مقارنة درجات ما قبل إعادة الترتيب وما بعد إعادة الترتيب أن خطوة تجميع KL الجشعة نفسها هي المسؤولة عن خفض كبير في تحيز الظهور (انخفاض بنسبة 66.9% في NDKL، و92.6% في AWRF).

الأهمية والادعاءات
تخلص الورقة إلى أن التكافؤ الديموغرافي الثنائي غير كافٍ للتنبؤ بالروابط القائم على التصنيف لأنه يمكن أن يحجب تفاوتات ظهور أزواج المجموعات الفرعية. ويجادل المؤلفون بأنه عندما يتم استهلاك مخرجات التنبؤ بالروابط كتصنيفات، فإن الظهور هو العملة ذات الصلة للعدالة.

تدعم الدراسة استخدام المقاييس المعتمدة على الظهور والمبنية على الرتبة (مثل NDKL وAWRF) وطريقة المعالجة اللاحقة MORAL كأدوات فعالة لتخفيف حدة التحيز في التنبؤ بالروابط المصنف. كما تسلط الضوء على مقايضة عملية: بينما تتوسع MORAL لتشمل الإعدادات ذات الكاردينالية العالية، فإن التكلفة الحسابية وصعوبة محاذاة الظهور تزداد مع زيادة عدد أنواع أزواج المجموعات الفرعية. ويؤكد المؤلفون أن الحفاظ على توزيع الرسم البيئي الأصلي ( $\pi$ ) هو خيار تصميمي لمنع التضخيم الخوارزمي للتحيز، وليس ادعاءً بأن التوزيع الأصلي "عادل" بطبيعته.

قصة الورقة البحثية

ما وجدوه

الخلاصة

أبحاث مشابهة