FUGNN：在图神经网络中调和公平性与效用

面向公平性的图神经网络(GNNs)常面临公平性与效用之间的艰难权衡。本文通过谱图论的视角重新审视公平性，旨在在谱图学习框架内协调公平性与效用。我们探讨了敏感特征与GNNs谱之间的相关性，使用理论分析描绘不同谱下原始敏感特征与卷积后特征之间的相似性。我们的分析揭示了当与最大模特征值相关的特征向量 exhibit 方向相似性时，相似性的影响会降低。基于这些理论见解，我们提出FUGNN，这是一种新的谱图学习方法，旨在调和公平性与效用的冲突。FUGNN通过截断谱并优化编码过程中特征向量的分布来确保算法公平性和效用。公平性感知的特征向量选择减少了卷积对敏感特征的影响，同时最小化效用损失。FUGNN进一步通过Transformer架构优化特征向量的分布。通过将优化后的谱整合到图卷积网络中，FUGNN有效地学习了节点表示。在六个真实数据集上的实验表明，FUGNN在基线方法方面具有优势。代码可在https://github.com/yushuowiki/FUGNN获取。