本研究提出了一种基于因果理论的框架，即 CAF，用于解决图学习中的公平性问题，通过选择训练数据中的反事实因素来学习公平的节点表示，以避免非现实反事实因素，并在合成和真实数据集上进行了广泛的实验验证其有效性。

Jul, 2023

在这项研究中，我们提出了一种使用所有可用特征进行训练的新算法，从理论和实证方面证明了使用该方法训练的模型能够满足 Counterfactual Fairness。

Nov, 2023

本文提出了一种新的框架 CLAIRE，通过对反事实数据增广和不变化惩罚的表征学习框架有效地减轻了敏感属性的偏差，并在合成和真实数据集上的实验验证了 CLAIRE 在反事实公平性和预测性能方面的优越性。

Jul, 2023

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

通过开发一种名为生成对抗平衡网络（GCFN）的新颖深度神经网络，本文研究了在反事实公平性下进行预测的方法，并通过一种新颖的反事实调节器正则化方式，借助量身定制的生成对抗网络直接学习敏感属性后代的反事实分布，较好地保证了反事实公平性的概念。该方法解决了现有基于推断潜在变量的基线方法存在的问题，并在各种实验证明，其性能达到了最先进水平。在自由刑滞后预测的现实案例研究中，我们进一步证明了我们的方法在实践中能够作出有意义的预测。

Oct, 2023

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

本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。

Jul, 2019

我们提出了一种用于训练关注公平性的图神经网络的新模型，该模型通过整合监督对比损失和环境损失来提高准确性和公平性，实验证明该模型在三个真实数据集上优于其他现有的基于图的学习方法以及之前的模型。

Apr, 2024

本文提出了一个利用因果推断工具来建立公正性模型的框架，以避免机器学习在保险、贷款、雇佣和预测执法等领域的不公正决策，避免造成基于不公正数据的歧视性做法，以法学院成功的公平预测为实际问题进行了实证研究。

Mar, 2017

本研究通过反事实思考，提出一种针对 ML 软件中偏见根源的创新对策，并将优化性能和公平性模型相结合，成功提高了 ML 软件的公平性并保持了高竞争力性能

Feb, 2023