CrossWalk：公平性增强的节点表征学习

基于摘要分析。本文研究图算法中的群体公平性问题，提出 CrossWalk，通过调整随机游走的跨群体采样倾向，增强节点嵌入及其下游任务的公平性；主要研究对象是图上的节点表征，而非 EEG 或 BCI。 核心机制是提高靠近群体边缘或连接不同群体的边的权重，使随机游走更容易跨越群体边界。该方法旨在使群体边缘节点在嵌入空间中更接近其他群体的邻居，同时保留图中必要的结构性质。摘要称，CrossWalk 可用于 DeepWalk、Node2Vec 等基于随机游走的节点表征学习算法，其干预位置是图边权重与游走采样过程。 作者报告，在合成网络和真实网络上的影响力最大化、链接预测与节点分类实验中，CrossWalk 能增强公平性，且任务性能仅有很小下降。摘要未提供具体数据集、公平性定义、任务指标、数值结果及对照设置，因此尚不能量化改善幅度，也不能判断不同任务间的权衡是否一致；实验协议、消融及统计信息尚未验证。 复现时需核对群体划分与群体边缘的定义、边权重计算及归一化方式，以及结构保持和公平性的评估标准。材料未提供神经信号实验，不能据此认定其具有 EEG/BCI 效果；相关应用工作尚未检索确认。