图神经网络（GNN）在节点分类任务中通常对高度节点优于低度节点，而这种度偏见由于众多假设的不严格验证以及可能的矛盾而加剧了社会边缘化。本论文通过分析不同图过滤器的信息传递 GNN 的度偏差的起源，证明了无论 GNN 如何被训练，高度测试节点都倾向于存在更低的误分类概率。此外，论文还说明了度偏见源于与节点度相关的各种因素（如邻居的同质性和多样性）。通过将发现与先前提出的度偏差起源的假设相连接，论文支持和统一了某些假设，同时对其他假设提出了疑问。论文在 8 个常见实际网络上验证了理论发现，并基于理论和实证研究结果，描述了减轻度偏见的路线图。
Apr, 2024
本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。
Mar, 2019
本文研究相似性和基于 GNN 的链接预测方法在同构图中的应用，通过在具有不同属性的多个基准图上的实验评估不同方法的性能。
Aug, 2020
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
本文提出了一种新的策略 PDD，它可以衡量 GNN 中表现出的偏见，并开发了一种算法来有效地估计每个训练节点对此偏见的影响力。在真实世界的数据集上进行实验验证了 PDD 的有效性和影响力估计的有效性，并演示了如何使用该框架进行 GNN 去偏见化。
Nov, 2022
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
通过实验比较 19 种处理二分图的链接预测方法，该研究提出了使用图卷积网络（GCN）改进的推荐系统作为二分图链接预测的新解决方案，并发现 GCN 的个性化推荐系统和基于启发式度量的方法如结构扰动法（SPM）都能够取得成功的结果。
Jun, 2024
本研究旨在提供一种使用结构解释方法对图神经网络中的偏置性进行分析的框架，并提取贡献最大、偏置最小的两组边用于提高预测的公正性。经实验证明该框架在真实世界数据集上的可行性和有效性。
Jun, 2022
本研究介绍了一种创新方法，将社区检测算法与图神经网络（GNN）模型相结合，以增强科学文献网络中的链接预测。我们特别关注利用 Louvain 社区检测算法揭示这些网络中的潜在社区结构，并将其整合到 GNN 架构中以预测潜在链接。我们的方法论证了在复杂网络中理解社区动态的重要性，并利用社区检测和 GNN 的优势来提高预测精度。通过对代表科学合作和引用的二部图的大量实验，我们的方法不仅凸显了社区检测和 GNN 之间的协同作用，还解决了链接预测中存在的一些普遍挑战，如可扩展性和分辨率限制。结果表明，整合社区级别信息可以显著提高 GNN 在链接预测任务中的性能。本工作通过将先进的机器学习技术与传统网络分析方法相结合，为网络科学领域提供了一种新的整合视角，以更好地理解和预测科学合作的复杂模式。
Jan, 2024
本文提出了一种新的评估指标 Label Proximity Score 来量化节点标签位置偏置，研究发现标签越靠近节点性能越好，为此，我们提出了一种全新的优化框架，用于学习无偏置的图结构，该方法不仅优于现有方法，而且在减轻 GNN 中标签位置偏差方面表现显著。