FairWire：公平图生成

图机器学习因其在分析和学习关键互联系统中复杂关系的能力，近期引起了越来越多的关注。然而，在这些算法中使用有偏图结构所放大的差异性影响，引发了将其部署于现实世界决策系统的重大担忧。此外，尽管合成图生成在隐私和可扩展性考量方面变得至关重要，但生成学习算法对结构偏差的影响尚未得到研究。受此启发，本工作专注于真实图和合成图的结构偏差分析与缓解。具体而言，我们首先从理论上分析导致二元关系预测差异的结构偏差来源。为缓解所识别的偏差因素，我们设计了一种新颖的、具有广泛适用性的公平性正则化器。面对本工作揭示的图生成模型中的偏差放大问题，我们进一步通过在生成模型中利用我们的公平正则化设计，提出了一种公平图生成框架 FairWire。在真实网络上的实验结果验证了本文提出的工具能够为真实图和合成图提供有效的结构偏差缓解。