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

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

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

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

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

本综述分四个主要方向，对图形反事实学习的现有方法进行分类和全面的审查。我们提出有前途的未来研究方向，并为未来研究编制了一份资源清单。我们还提供了一份开放源代码实现、公共数据集和常用评估度量标准的列表。本文的目的是为构建图形反事实学习类别和当前资源的统一理解提供 “一站式” 服务，并将维护论文和资源的知识库，并将不断更新此资源。

Apr, 2023

本文主要研究了图卷积神经网络（GCNs）中的公平性问题，以及如何训练公平且准确的 GCNs。研究着重分析了图结构偏差、节点属性偏差和模型参数对 GCNs 中的人口平等性的影响，提出了一个名为 FairSample 的框架来共同解决这些偏差，其中采用了注入边缘和使用增强学习的可学习邻居采样策略来改善图结构和保证模型的公平性和质量，同时还采用了正则化目标来优化公平性。

Jan, 2024

在图学习的背景下，我们提出了一个名为 Fairness for Group and Individual (FairGI) 的新概念，该概念考虑了组公平性和组内个体公平性，并通过个体之间的相似度矩阵实现了组内个体公平性，同时利用对抗学习来解决组公平性，包括平等机会和统计平衡。实验结果表明，我们的方法在组公平性、组内个体公平性和总体个体公平性方面均优于其他最先进的模型，并且在预测准确性上保持可比较的性能。

Apr, 2024