突破二次元壁垒：超越人口统计公平性的链接预测公平性

链接预测是图机器学习中的基础任务，适用于从社交推荐到知识图谱补全等场景。在此情境下，公平性至关重要，因偏差的预测可能加剧社会不平等。先前工作采用二次元公平性定义，通过在群内链接预测与群间链接预测之间强制执行人口统计公平性。然而，我们指出，这种二次元框架会掩盖跨子群的底层差异，使系统性偏差难以察觉。此外，我们认为人口统计公平性不满足链接预测此类排序任务中公平性评估的预期属性。我们形式化了现有公平性评估的局限性，提出一种更具表达性的评估框架。此外，我们提出一种轻量级后处理方法结合解耦链接预测器，有效缓解偏差，实现了最先进的公平性-效用权衡。