弥合公平性鸿沟：在图神经网络中实现群体与个体公平性

图神经网络（GNN）已成为分析和学习以图结构组织的复杂数据的强大工具，在社交网络分析、推荐系统和药物发现等各种应用中展现出卓越的有效性。然而，尽管其性能令人印象深刻，公平性问题作为需要考虑的关键方面日益受到关注。图学习中现有的研究侧重于群体公平性或个体公平性。然而，由于每个概念都从不同视角为公平性提供了独特见解，因此将它们整合到一个公平的图神经网络系统中至关重要。据我们所知，尚无研究同时全面处理个体公平性和群体公平性。在本文中，我们提出了群体内个体公平性的新概念，以及一个名为群体与个体公平性（FairGI）的新框架，该框架在图学习的背景下同时考虑群体公平性和群体内的个体公平性。FairGI 利用个体的相似性矩阵来实现群体内的个体公平性，同时利用对抗学习在机会均等和统计均等方面处理群体公平性。实验结果表明，我们的方法不仅在群体公平性和群体内个体公平性方面优于其他最先进模型，而且在总体水平的个体公平性上也表现出优异性能，同时保持了可比的预测准确率。