带有监督对比正则化的公平图神经网络
内容提要
本研究提出了基于因果理论的CAF框架，以解决图学习中的公平性问题。通过反事实因素选择，学习公平的节点表示，并在多个数据集上验证其有效性。同时，研究分类了图神经网络的公平性技术，提出了生成对抗平衡网络（GCFN）以实现反事实公平性，并通过特征遮蔽和边缘删除方法提升公平性。最后，探讨了图卷积神经网络中的公平性问题及其解决方案。
延伸解读
从因果视角理解图公平性
文章提出的CAF框架基于因果理论，通过选择反事实因素来学习公平的节点表示。这区别于仅依赖统计相关性的方法，旨在避免非现实反事实因素的干扰。因果视角有助于识别并消除敏感属性对预测的虚假影响，为图公平性提供了更本质的解决思路。
公平性技术的多阶段干预
文章对图神经网络公平性技术进行了分类，涵盖预处理、训练过程和后处理阶段。预处理如特征遮蔽和边缘删除可减少数据固有偏见；训练中如GCFN通过对抗学习保证反事实公平；后处理则调整输出。这种多阶段视角帮助读者根据场景选择合适干预点。
公平性与鲁棒性的潜在冲突
G-FairAttack攻击框架表明，公平性感知的图神经网络可能被对抗攻击破坏公平性而不易察觉。这提示公平性提升可能引入新的脆弱性，实际部署时需同时考虑公平性与鲁棒性，避免攻击者利用公平性机制漏洞。
评估公平性的新视角与工具
文章提出了图形对照公平性等新概念，并介绍了GFairHint等评估方法。GFairHint通过辅助链接预测学习公平表示，以较低计算成本促进公正性评估。这些工具帮助研究者和开发者更系统地衡量和比较不同模型的公平性表现。
Q&A
CAF框架的主要目的是什么？
CAF框架旨在解决图学习中的公平性问题，通过选择反事实因素来学习公平的节点表示。
生成对抗平衡网络（GCFN）如何实现反事实公平性？
GCFN通过新颖的反事实调节器正则化方式，直接学习敏感属性后代的反事实分布，以保证反事实公平性。
文章中提到的特征遮蔽方法有什么作用？
特征遮蔽方法可以降低图对比学习中的内部偏见，提高公平性。
GFairHint方法是如何促进公正性评估的？
GFairHint通过辅助链接预测任务学习公平表示，并将其与原始GNN中的节点嵌入拼接，生成“公平提示”。
FairSample框架解决了哪些偏差问题？
FairSample框架解决了图卷积神经网络中的图结构偏差、节点属性偏差和模型参数偏差。
G-FairAttack攻击框架的目的是什么？
G-FairAttack旨在揭示公平性感知图神经网络的潜在漏洞，并引导进一步研究其鲁棒性。
