Oct, 2021
使用偏差图观测的无偏图嵌入
Unbiased Graph Embedding with Biased Graph Observations
TL;DR本文提出了一种从不受敏感结点影响的无偏图学习结点嵌入的新方法，实现无偏图嵌入的两种方法通过理论和实验的对比表明其有效性。
Abstract
graph embedding techniques have been increasingly employed in real-world machine learning tasks on graph-structured data, such as social recommendations and protein structure modeling. Since the generation of a g
发现论文，激发创造
图表示学习：方法与应用
本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。
Sep, 2017
探究无监督图嵌入的语义内容：一项实证研究
本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。
Jun, 2018
通过元数据正交训练单元对图嵌入进行去偏置
本文提出了一种元数据正交节点嵌入训练（MONET）方法，在处理存在元数据相关性的节点邻域时，大大减少或消除了算法的偏见以实现公平，这种方法将节点嵌入组织成一个只有拓扑结构和元数据的分离体，并证明了MONET在各种真实世界图上的效果。
Sep, 2019
对抗学习用于去偏置知识图谱嵌入
本文探讨了知识图谱中的社会偏见和文化偏见，特别是在节点流行度与链接预测精度之间的负相关关系以及从知识图嵌入中预测人的性别并提出了过滤对抗网络（FAN）来消除这些敏感属性信息从而使知识图谱达到去偏见的目的。
Jun, 2020
Residual2Vec: 带随机图去偏置化图嵌入
本文提出了一种名为residual2vec的新型图嵌入方法，通过使用随机图来去除不同结构偏见，不仅改善了链接预测和聚类性能，还允许我们在图嵌入中明确地建模突出的结构特性。
Oct, 2021