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，提出 CrossWalk，通过调整随机游走的边权重，增强节点表征在影响力最大化、链接预测和节点分类等下游任务中的公平性；原研究对象是合成与真实网络，并非 EEG 或 BCI。 核心机制是提高靠近群体边缘的边，以及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。作者称，这会在嵌入空间中将群体边缘节点拉向其他群体的邻居，同时保留图的必要结构性质。该方法可用于 DeepWalk、Node2Vec 等基于随机游走的节点表征学习算法。摘要未说明群体边缘的计算方式、具体权重公式及公平性指标，相关实现细节尚未验证。 作者报告，在合成与真实网络上的上述任务中，CrossWalk 能提升公平性，且任务性能仅有很小下降；摘要未提供具体数据集、数值、划分及对照配置，因此不能量化收益或比较不同任务的权衡。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本被构造成相似性图，且训练数据具有明确的被试或群体标识，可假设跨群体游走有助于缓解嵌入对单一群体结构的依赖；但公平性改善不等于跨被试解码性能提升。可复用部分是游走重加权，需改造的是 EEG 建图、群体定义与任务评估。低信噪比、通道差异及小样本可能导致相似边失真，跨群体连接也可能破坏任务相关结构。 一个可检验的小实验是在固定 EEG 建图与解码器、严格隔离测试被试的条件下，对比原始游走与 CrossWalk 重加权，同时评估任务性能和群体间性能差异，检验改善是否以损失判别信息为代价。相关 EEG 工作尚未检索确认。