FairDrop：用于增强图表示学习公平性的偏置边丢弃

图表示学习已成为许多场景中的普遍组件，从社交网络分析到智能电网中的能源预测。在若干应用中，确保节点（或图）表示相对于某些受保护属性的公平性对其正确部署至关重要。然而，图深度学习中的公平性仍待充分探索，可用方案甚少。特别地，相似节点在多个真实世界图上聚类的倾向（即同配性）会急剧恶化这些过程的公平性。本文中，我们提出一种新颖的偏置边丢弃算法（FairDrop）以抵消同配性并改善图表示学习中的公平性。FairDrop 可轻松插入许多现有算法，高效、可适配，并可与其他公平性诱导方案结合。在描述通用算法后，我们在两个基准任务上展示其应用：作为生成节点嵌入的随机游走模型，以及用于链接预测的图卷积网络。我们证明所提算法能成功改善所有模型的公平性，且仅带来微小或可忽略的准确率下降，并且优于现有最先进方案。在消融研究中，我们证明我们的算法可在偏向公平性与无偏边丢弃之间灵活插值。此外，为更好评估收益，我们提出一种新的二部组定义，以在配对基于组的公平性指标时度量链接预测任务的偏差。特别地，我们扩展了用于度量节点嵌入中偏差的指标，以考虑图结构。