CrossWalk: 公正增强的节点表示学习
本研究通过自适应特征遮蔽和边缘删除的公平感知图扩充设计，在图对比学习中解决了公平性问题，提出了不同的图上公平性概念，并提供了理论分析来量化证明所提出的特征遮蔽方法可以降低内部偏见。实验结果表明，所提出的扩充方法可以提高平等机会和统计平等的公平性，并为无节点分类的对照方法提供了可比较的分类准确性。
Jun, 2021
本研究通过理论分析揭示了Node representation learning中源自于nodal features和graph structure的偏见，并提出了针对其固有偏见的公平感知数据增强框架，可广泛用于增强各种基于GNN的学习机制的公平性。
Jan, 2022
本研究提出了一种偏好与相似语义节点相连接的随机游走策略GlobalWalk，以获取更全局感知的节点嵌入表示。实验证明，该方法可以提高所生成嵌入表示的全局认知度。
Jan, 2022
本文介绍FedWalk，一种基于随机游走的无监督节点嵌入算法，旨在在保护数据隐私的同时提供类似于中心化的节点嵌入能力，并通过设计分层聚类树、动态时间规整算法、序列编码器和双跳邻居预测器等模块来实现。通过实验证明，Fed-Walk可以实现与中心化节点嵌入算法相当的代表性，仅在微观F1分数和宏观F1分数上损失不到1.8％和4.4％的情况下，每次游走还减少了约6.7倍的设备间通信。
May, 2022
本研究提出了一种基于中心性感知的公平框架，用于无监督归纳图表示学习算法，并证明了 CAIFN（一种技术）在 Link Prediction 和 Node Classification 任务上表现出很好的效果，并且能够在减少组间不平等性方面取得显著进展.
Apr, 2023
本文针对图神经网络中信息传递中的不公平性问题，提出了一种名为BeMap的方法，该方法通过平衡感知采样策略来平衡不同人口群体之间的1-hop邻居节点数，从而解决信息传递过程中的偏见放大问题，实验证明该方法有效降低偏见同时保持分类准确性。
Jun, 2023
提出了一种使用边平衡来实现社交网络公平图分区的方法，并通过使用线性图转换和协同嵌入框架来学习图分区的双节点和边公平感知表征，并提出了一种公平分区可用作伪标签以促进图神经网络在节点分类和链接预测任务中表现公平。
Jun, 2023
通过提出一种新的图神经网络架构，即FMP，该研究旨在通过在模型架构层面实现公平性，解决GNN在公平性性能方面相对较差的问题。实验表明，所提出的FMP在三个真实世界的数据集上，在公平性和准确性方面优于几种基准方法。
Dec, 2023
本研究解决了链接预测中的偏见问题，尤其是在不同敏感群体之间的节点链接预测中。提出的FairLink方法通过学习公平增强图，避免在链接预测训练中使用去偏技术，同时保持预测准确性。研究表明，该方法不仅提高了公平性，而且在多个大型图上实现了与基线方法相当的链接预测准确性，且对不同图神经网络架构具有良好的通用性。
Sep, 2024