CrossWalk：公平性增强的节点表示学习

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，通过调整随机游走所用的边权重，增强节点表示在影响力最大化、链接预测和节点分类等下游任务中的公平性。其主要研究对象是具有群体划分的网络，而非 EEG/BCI 信号。 核心机制是提高靠近群体边缘的边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。作者描述，这会在嵌入空间中将群体边缘节点拉近至其他群体的邻居，同时保留必要的图结构属性。CrossWalk 可用于 DeepWalk、Node2Vec 等基于随机游走的节点表示学习算法；具体权重公式、群体边缘的识别方式及超参数尚未验证。 作者报告，在合成网络和真实网络的上述下游任务中，CrossWalk 能增强公平性，且仅伴随很小的任务性能下降。摘要未提供网络名称、群体属性、公平性指标、性能数值或对照协议，因此无法量化收益及其代价；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究能够构建节点及群体标签均有明确含义的图，该机制可作为检验节点表示中群体隔离的候选工具，但原文的社会群体公平性不等于跨被试泛化。可复用部分是边重加权与随机游走采样，需改造部分是 EEG 图构建、群体定义及下游目标。低信噪比、通道差异和小样本可能使边界估计不稳定，跨群体混合也可能破坏任务相关结构。一个可证伪的小实验是在固定数据划分与下游模型的前提下，对比原始与 CrossWalk 重加权的 DeepWalk 或 Node2Vec，同时评估任务性能和预先定义的群体差异；相关 EEG 工作尚未检索确认。