非独立同分布图数据下的公平性：文献综述
机器学习
2025-01-28 v4 人工智能
摘要
理解与解决人工智能（AI）中算法偏差的重要性日益增长，催生了 AI 公平性研究的激增，这类研究通常假设底层数据独立同分布（IID）。然而，现实世界数据常以捕捉个体单元间连接的非 IID 图结构存在。为有效缓解 AI 系统中的偏差，必须弥合为 IID 数据设计的传统公平性文献与非 IID 图数据普遍性之间的鸿沟。本综述回顾了非 IID 图数据下公平性的近期进展，包括新引入的公平图生成与常被研究的公平图分类。此外，指出了供未来研究使用的数据集与评估指标，强调了现有工作的局限性，并提出了有前景的未来方向。
引用
@article{arxiv.2202.07170,
title = {Fairness Amidst Non-IID Graph Data: A Literature Review},
author = {Wenbin Zhang and Shuigeng Zhou and Toby Walsh and Jeremy C. Weiss},
journal= {arXiv preprint arXiv:2202.07170},
year = {2025}
}