SI-Fair：用于公平图表示学习的自适应随机插值

基于摘要分析。该研究面向图表示学习中的公平性问题：敏感信息既可能存在于节点属性，也可能编码在图拓扑中，使结构相似节点的预测一致性与敏感属性变化下的预测不变性产生张力。作者提出 SI-Fair，以连续随机输运联合建模个体公平性和反事实公平性。 机制上，SI-Fair 首先将节点表示解耦为无偏结构信息、偏差相关成分、敏感属性和辅助特征，旨在分离任务相关的结构语义与敏感信息；随后利用 stochastic interpolants 构建从原始有偏表示分布到公平性感知目标分布的连续输运路径。动态调节机制根据两类公平性目标的相对优化进度调整输运过程的随机性，以平衡结构一致性与反事实不变性。摘要未给出表示解耦的实现、目标分布的构造或具体损失形式。 理论方面，作者报告推导了输运分布相对于目标分布的 Kullback–Leibler 散度上界，并将上界中的组成部分与两类公平性目标联系起来；其成立假设及能否直接保证预测层面的公平性尚未验证。实验方面，作者报告在多个真实世界图数据集上改善了互补的公平性指标，同时保持有竞争力的预测性能，但摘要未提供数据集名称、划分、对照方法、指标定义及数值。实验协议、消融及统计信息尚未验证。 该方法的主要研究对象是带有敏感属性与拓扑偏差的图数据，而非 EEG 或 BCI。现有材料未建立两类公平性定义与具体神经信号任务之间的对应关系，因此不能据此推断跨被试性能或 BCI 公平性收益；已有 EEG 相关工作尚未检索确认。复现前需重点核对敏感属性的可用性、结构相似性的定义及反事实样本或约束的构造方式。