TopoFair：将拓扑偏差与链接预测基准中的公平性联系起来
机器学习
2026-02-13 v1
摘要
图链接预测（LP）在具有社会影响力的应用中扮演着关键角色，例如工作推荐和友谊形成。因此，确保此任务中的公平性至关重要。虽然许多公平感知方法操纵图结构以减轻预测差异，但社会图结构固有的拓扑偏差仍然知之甚少，并且常常被简化为同质性。这削弱了公平干预措施的泛化潜力，并限制了它们在多样化网络拓扑中的适用性。在这项工作中，我们提出了一个用于公平 LP 的新型基准测试框架，其核心是底层图的结构偏差。我们首先回顾并形式化了与图中公平性相关的拓扑偏差度量的广泛分类。同时，我们引入了一种灵活的图生成方法，该方法同时确保对真实世界图模式的保真度，并能够在广泛的结构偏差范围内进行受控变化。我们应用此框架在多个用例中评估经典和公平感知的 LP 模型。我们的结果提供了预测公平性与结构偏差之间相互作用的细粒度实证分析。这一新视角揭示了公平干预措施对超越同质性偏差的敏感性，并强调了在图学习中进行基于结构的公平性评估的必要性。
引用
@article{arxiv.2602.11802,
title = {TopoFair: Linking Topological Bias to Fairness in Link Prediction Benchmarks},
author = {Lilian Marey and Mathilde Perez and Tiphaine Viard and Charlotte Laclau},
journal= {arXiv preprint arXiv:2602.11802},
year = {2026}
}