缓解知识图谱中的关系偏差
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
该论文提出了利用 EDITS 框架通过减少有偏数据来减轻 GNN 模型的偏见，以实现更公平的结果。在新提出的度量指标的引导下，EDITS 可以以模型无关的方式优化输入数据，从而解决针对不同应用场景中不同 GNN 模型的偏差问题，并且不会降低 GNN 模型的性能。
Aug, 2021
本文提出了一种基于数值偏差度量的方法，用于识别和暴露知识图谱嵌入中存在的偏见，并在职业预测任务中展示了三种不同的偏见度量，从而弥补了目前文献中手动指定偏差关系的缺陷，以支持更明智的决策。
Sep, 2021
KGNN框架采用GNN编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。
May, 2022
本篇研究通过探索评分函数和损失函数的设计，发现相比于复杂的图神经网络，简单的多层感知器(MLP)模型能够实现与之相似的性能表现，在知识图谱补全(KGC)方面不一定需要高度复杂的聚合方式。
May, 2022
本文针对传统图神经网络中存在的公平性问题，提出了一种新的GNN框架，使用可学习的去偏函数来消除不同节点间的度数差异所导致的偏差，以解决节点分类问题中存在的偏差。
Feb, 2023
通过知识蒸馏的方式，我们提出了一种无需个人信息的人口属性不可知方法FairGKD来学习公平的图神经网络(GNNs)，在性能和效益之间取得了平衡，并在多个基准数据集上验证了该方法的有效性。
Nov, 2023
本研究解决了有向图神经网络（SGNNs）中存在的度偏差问题，这是一个涉及数据公平性的重要研究空白。通过提出一种新的无模型偏见的方法，即度减偏有向图神经网络（DD-SGNN），研究展示了如何在确保性能的同时改善不同节点度的表示。实验证明，该方法有效减轻了度偏差问题，显示出显著的潜在影响。
Aug, 2024
本研究解决了社交网络中图神经网络（GNNs）公平性的问题，指出社交同质性导致的用户表示不公平。提出了一种名为公平意识GNN（EAGNN）的方法，通过引入充分性、独立性和分离性等原则来确保模型预测与敏感属性无关。实验结果表明，EAGNN在公平性指标上达到了最先进的表现，同时保持了预测的有效性。
Oct, 2024