图学习中公平性的机器学习增强：综述
机器学习
2025-05-01 v1 人工智能
摘要
将专用机器学习技术嵌入传统图学习模型已在各种领域取得显著成功，包括联邦图学习、动态图学习和图转换器。然而，这些专用技术的复杂机制在维持模型公平性方面引入了重大挑战，可能导致推荐系统、灾难响应、刑事司法和贷款批准等高风险应用中的歧视性结果。本文系统性地检视了图学习与机器学习（GL-ML）所带来的独特公平性挑战。我们强调了图学习机制与机器学习技术之间的复杂相互作用，突出机器学习的增强既既增强了公平性又使其更加复杂化。此外，我们探讨了提高GL-ML方法公平性的四个关键技术。通过深入调查公平性挑战的根本原因和更广泛的影响，本工作为GL-ML公平性的未来研究和创新奠定了坚实的基础。
引用
@article{arxiv.2504.21296,
title = {Fairness in Graph Learning Augmented with Machine Learning: A Survey},
author = {Renqiang Luo and Ziqi Xu and Xikun Zhang and Qing Qing and Huafei Huang and Enyan Dai and Zhe Wang and Bo Yang},
journal= {arXiv preprint arXiv:2504.21296},
year = {2025}
}