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

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

通过引入敌对框架在图嵌入中实施公平约束来提高节点嵌入的质量，可以灵活地容纳不同公平约束的组合。

May, 2019

本文提出了一种新的公平性概念 —— 图形对照公平性，并基于对照数据增强提出了一种学习节点表示的框架，以减少模型在涉及敏感属性的图形数据中的偏见，该框架在合成和真实世界的图形上的实验表明，优于现有的基线图形对照公平性，并且在预测性能方面有可比性。

Jan, 2022

我们提出了 GRAPHGINI 方法，通过 GNN 框架中可学习的注意分数来实现个体公平，并通过基于启发式的最大纳什社会福利约束保证最大可能的群体公平，该方法在实验中显示出在维持效用和群体平等的情况下，在个体公平方面相比其他最先进的方法有显著改进。

Feb, 2024

本文提出了一种基于干预的因果公平性框架，用于在部分已知因果图的情况下实现公平预测，该方法使用部分有向无环图（PDAG）来度量因果公平性，并制定一个受限制的优化问题来平衡公平性和准确性。模拟和真实数据集的结果证明了该方法的有效性。

Jan, 2024

本文提出了 GFairHint 方法，通过辅助链接预测任务学习公平表示，并将表示与原始 GNN 中学习的节点嵌入拼接出 “公平提示”，从而实现在各种 GNN 模型上促进公正性的评估，产生相当的优质结果，而且比之前的最新方法具有更少的计算成本。

May, 2023

通过对图神经网络的公平性技术进行分类和研究，本文介绍了改善图神经网络公平性的先前工作，包括预处理步骤、训练过程和后处理阶段，同时提出了公平性评价指标的直观分类，并对用于基准测试的图数据集进行了总结，还针对未解决的关键问题和挑战进行了讨论。

Jul, 2023