解决公平图学习数据集的缺陷：迈向新基准

公平图学习在众多实际应用中发挥着关键作用。最近，许多公平图学习方法被提出；然而，它们的评估往往依赖于构建不佳的半合成数据集或不达标的真实世界数据集。在这种情况下，即使是基本的多层感知机 (MLP) 也可以在效用和公平性方面优于图神经网络 (GNN)。在本工作中，我们阐明许多数据集未能在边中提供有意义的信息，这可能挑战了在这些问题中使用图结构的必要性。为解决这些问题，我们开发并引入了一系列满足广泛需求的合成、半合成和真实世界数据集。这些数据集经过精心设计，包含了相关图结构和对于公平评估模型至关重要的偏差信息。所提出的合成和半合成数据集提供了创建具有可控偏差参数数据的灵活性，从而能够轻松生成具有用户定义偏差值的所需数据集。此外，我们对这些提出的数据集进行了系统评估，并为公平图学习模型建立了统一的评估方法。我们在数据集上使用公平图学习方法进行的广泛实验结果表明，它们在基准测试这些方法的性能方面是有效的。我们的数据集和复现实验的代码可在 https://github.com/XweiQ/Benchmark-GraphFairness 获取。