7.3 侦探的职业操守：伦理与偏见

7.3 侦探的职业操守：伦理与偏见

本节摘要：图数据的伦理风险具有结构性——偏见沿边进入聚合、被消息传递逐层放大；隐私沿边泄漏，链接披露与重识别攻击让"匿名图"名不副实。本节覆盖三类偏见（度偏差、表示偏差、标签偏差）的诊断与缓解、图上的公平性指标、隐私攻击面与加固手段，最后给出可执行的伦理工程清单。

权力与责任

图模型掌握着一种独特的权力：它给"关系"定价。担保圈里多一条边，授信额度可能下调；社交网上多一次互动，内容分发随之改变。与表格模型不同，这份权力作用在网络里——个体无法靠"管好自己的数据"自保，邻居的行为同样影响他的命运。侦探社的最后一课因此不是技术而是操守：偏见如何潜入与放大、隐私如何沿边泄漏、公平与透明如何进入默认工程清单。这不是道德说教——每一条都有具体的技术形态、检测方法与缓解手段，也有对应的监管压力（算法问责法规在各行业相继落地）。

偏见的三条潜入路径

度偏差来自图的结构不均：度数高的节点拥有更多邻居、聚合到更多信息，表示质量天然更好；低度数节点（新用户、边缘人群）的表示相对贫瘠，预测系统性偏差。这与第五章过平滑不同——它不是层数问题，而是"证据量"的先天不平等。表示偏差来自训练分布：历史数据里的社会偏见（某些群体在信贷、招聘历史中被系统性低估）沉淀进特征与标签，消息传递再把它沿边扩散——同一社区的节点共享表示倾向，个体差异被社区画像覆盖。标签偏差来自标注过程：人工审核员对模糊案例的判断受群体刻板影响，标注结果本身带偏。三条路径会在聚合处叠加：第一层的邻居采样已经偏向高度数节点，第二层的表示已把偏差磨进权重。

# 度偏差的量化诊断：按度数分桶看性能差距
import numpy as np
import networkx as nx

rng = np.random.default_rng(4)
G = nx.barabasi_albert_graph(400, 3, seed=1)          # 无标度图：度数高度不均
deg = np.array([d for _, d in G.degree()])

# 模拟一个"表示质量随证据量上升"的模型输出：
# 评分真值靠噪声扰动，噪声幅度与度数成反比（低度数＝少证据＝多噪声）
truth = rng.normal(size=400)
noise_scale = 1.0 / np.sqrt(deg + 1)
score = truth + rng.normal(scale=noise_scale)

# 按度数分桶统计绝对误差
buckets = [(0, 3, "低度数"), (4, 10, "中度数"), (11, 10**9, "高度数")]
for lo, hi, name in buckets:
    m = (deg >= lo) & (deg <= hi)
    err = np.abs(score - truth)[m]
    print(f"{name}桶（{int(m.sum())} 个节点）平均误差 {err.mean():.3f}")
# 低度数桶误差显著更高：同样的模型，对"证据少"的节点系统性更不准——
# 若低度数节点恰好集中于某个人群，性能差距就转化为群体不公平
​

缓解手段与公平性度量

度偏差的缓解走"证据补偿"路线：给低度数节点加权、在采样策略中保护冷启动节点、或引入自监督预训练（第六章的免费监督对证据稀缺的节点帮助最大）。表示偏差的缓解走"去偏训练"路线：对抗式去偏让表示无法预测敏感属性（训练一个判别器预测敏感属性，主模型的目标里加反向梯度）；公平性约束直接把群体指标差写进损失。公平性度量在图上的操作化延续经典定义：统计均等（不同群体的正例率应相近）、机会均等（不同群体在真实标签相同时的被预测率应相近）。要坦率说明权衡：公平约束与整体精度常需交换，"绝对公平"在数学上未必与"最优预测"共存——工程决策是选择约束强度并记录理由，而不是假装没有交换。

# 群体公平指标的核算骨架（以二元敏感属性为例）
import numpy as np

y_true = np.array([1,0,1,1,0,1,0,0,1,1])
y_pred = np.array([1,0,1,0,0,1,1,0,1,0])
group  = np.array([0,0,0,0,0,1,1,1,1,1])      # 敏感属性（示意）

def parity_gap(y_pred, group):
    """统计均等差：两组预测正例率之差"""
    r0 = y_pred[group == 0].mean()
    r1 = y_pred[group == 1].mean()
    return abs(r0 - r1)

def equality_gap(y_true, y_pred, group):
    """机会均等差：在真实为正的样本上，两组预测率之差"""
    m = y_true == 1
    r0 = y_pred[m & (group == 0)].mean()
    r1 = y_pred[m & (group == 1)].mean()
    return abs(r0 - r1)

print("统计均等差:", round(parity_gap(y_pred, group), 3))
print("机会均等差:", round(equality_gap(y_true, y_pred, group), 3))
# 两组机会均等差为零点四：真实为正时，一组的通过率远高于另一组——需溯源是特征、标签还是聚合引入
​

隐私：沿边泄漏的攻击面

图数据的隐私风险比表格数据多出一个维度：边本身就是敏感信息。"A 与 B 有资金往来"这一事实的泄露，比单方账户余额的泄露破坏力更大。攻击面有三类。链接披露：模型对"是否存在某条边"的预测（链接预测的阴暗面）可能被滥用于刺探私人关系——发布链接预测服务前必须评估"被查询方是否同意暴露该关系"。成员推断：攻击者通过模型输出判断"某节点是否在训练图里"，对医疗图、欺诈图这类成员身份即敏感的场景是实质威胁。重识别：号称匿名的图数据，攻击者用少量背景知识（某人的度数、邻居模式）即可重新指认节点——学术研究反复证明大规模社交图的"匿名化"极易被击穿。加固手段：限制查询粒度与输出精度、差分隐私在图上操作化为"边级差分隐私"（对单条边的存在与否加噪声）、发布数据前做聚合粒度提升与对抗性评估。

⚠️ 常见坑：以为"删掉姓名与身份证号"就等于匿名。图结构是指纹——度数序列、三角形模式、邻域形状的组合几乎唯一，重识别不需要任何显式标识符。

伦理工程清单

把操守落成可勾选的工程项，与第五章的流程工位对接。数据入库前：敏感属性与禁止代理变量登记；匿名化评估（重识别风险测试）；数据来源与同意链条审查。训练中：度分桶性能监控（本节的诊断代码进流水线）；群体公平指标纳入验证面板；公平与隐私约束的强度决策记录在案。交付时：解释报告（第六章）覆盖群体层面而不只个体层面；链接类预测服务过"关系披露"评审；保留模型、数据、决策的版本对齐以备审计。上线后：偏移与公平指标的持续监控；用户申诉通道接回训练数据治理。这份清单的核心思想只有一句：伦理检查与质检指标同权重、同流程、同留痕——它属于 7.1 节的验收规范，而不是项目结束后的附录。

本节要点

• 结构性风险：偏见沿边进入、被聚合放大；隐私沿边泄漏，边本身就是敏感信息。
• 三类偏见：度偏差（证据不平等）、表示偏差（历史沉淀）、标签偏差（标注引入），在聚合处叠加。
• 两把公平尺：统计均等差与机会均等差进验证面板；公平与精度的交换要显式决策并留痕。
• 三个攻击面：链接披露、成员推断、重识别——图结构是指纹，匿名化需要专门评估。
• 清单化落地：入库、训练、交付、上线四个阶段的伦理检查与质检同流程。

全册至此收官。邻接关系侦探社的培训档案全部归档：立案的严谨、走访的机制、装备的选型、结案的纪律、归档的责任——带着这套档案去接你自己的案子吧。