EqGNN：图中均等化的节点机会

图神经网络（GNNs）已广泛用于图上的监督学习任务并达到最先进结果。然而，鲜有工作致力于创建无偏的 GNNs，即分类与敏感属性（如种族或性别）不相关。一些方法忽略敏感属性或针对统计均等的公平性准则进行优化。但已表明这些方法均不能确保公平性，反而损害了预测任务的效用。本工作中，我们提出一个 GNN 框架，允许针对均等几率公平性准则的概念优化表示。该架构由三个组件构成：（1）预测效用类的 GNN 分类器，（2）在给定标签下学习节点敏感属性分布的采样器，其生成样本输入至（3）使用新颖的“置换损失”函数区分真实与采样敏感属性的判别器。利用这些组件，我们训练模型仅相对于标签忽略有关敏感属性的信息。据我们所知，我们是首个针对均等几率准则优化 GNNs 的。我们在多个图数据集与敏感属性上评估了我们的分类器，并展示我们的算法达到了最先进结果。