图神经网络（GNNs）在预测属性图中节点标签的关键人类应用中越来越常见。研究者提出了两种新的干预方法，通过减少受保护群体和非受保护群体之间的可分性以及基于黑盒策略更新模型预测来最小化人口群体之间的误差率差异。实验结果表明，这些干预方法提供了细粒度的控制，并在正确预测受保护群体节点的正向结果时提高了模型的置信度。

图神经网络（GNNs）在预测属性图中节点标签的关键人类应用中越来越常见。研究者提出了两种新的干预方法，通过减少受保护群体和非受保护群体之间的可分性以及基于黑盒策略更新模型预测来最小化人口群体之间的误差率差异。实验结果表明，这些干预方法提供了细粒度的控制，并在正确预测受保护群体节点的正向结果时提高了模型的置信度。

图神经网络（GNNs）在预测属性图中节点标签的关键人类应用中越来越常见。研究者提出了两种新的干预方法，通过减少受保护群体和非受保护群体之间的可分性以及基于黑盒策略更新模型预测来最小化人口群体之间的误差率差异。实验结果表明，这些干预方法提供了细粒度的控制，并在正确预测受保护群体节点的正向结果时提高了模型的置信度。