基于视图解耦与反事实增强的公平图学习

韦吴杰; 陈庆锋

doi:10.16088/j.issn.1001-6600.2025122801

广西师范大学学报（自然科学版） ›› 2026, Vol. 44 ›› Issue (4) : 96 -106. DOI: 10.16088/j.issn.1001-6600.2025122801

基于视图解耦与反事实增强的公平图学习

韦吴杰, 陈庆锋

作者信息 +

Author information +

文章历史 +

摘要

图神经网络(GNN)因其对图结构数据的强大建模能力，已在诸多真实场景中得到广泛应用。近年来的研究表明，GNNs可能会继承并放大训练数据中固有的偏差，从而使得由敏感属性定义的特定群体受到不公平对待。为缓解图数据中的偏差问题，本文提出一种基于视图解耦与反事实增强的公平图学习框架FairDC,分别针对特征偏差和结构偏差进行去偏。该框架首先将原始图数据解耦为特征视图和结构视图，然后在此基础上引入反事实视图，最后采用多视图融合策略学习公平节点表示。在多个基准数据集上的实验结果表明，FairDC在保持预测性能基本稳定的同时，相比于最新基线方法DAB,公平性指标人口平等(DP)和机会均等(EO)分别下降32%和36%,验证了其在效用与公平性之间的有效权衡能力。