面向社交网络的公平图表示学习

基于摘要分析。该研究针对社交网络中 GNN 节点表示与敏感群体属性产生伪相关的问题，提出 Equity-Aware GNN（EAGNN），旨在维持预测性能的同时提高群体公平性；研究对象是社交网络，而非 EEG 或 BCI。 核心机制：作者将社会同质性视为不公平性的一个根本原因，即同一群体的用户倾向于聚集，GNN 的消息传递可能进一步使其表示相似，从而使预测与敏感属性建立伪相关。与摘要所述主要结合数据增强提升表示泛化的既有方法不同，EAGNN 基于 sufficiency、independence 和 separation 三项原则引入公平表示学习约束。具体损失形式、约束如何组合，以及训练时对敏感属性标签的依赖尚未验证。 证据范围：作者报告理论分析支持 EAGNN 实现群体公平性，并在三个社会同质性程度不同的数据集上，获得两项公平性指标的最佳表现及有竞争力的预测效果。摘要未提供数据集名称、指标定义、具体数值或对照方法，因此不能量化性能提升；理论成立条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 图学习中的连接结构会放大与任务无关的人群属性关联，该方法的公平性约束可能具有借鉴价值，但需要明确图节点含义、敏感属性监督及公平性目标，不能直接把被试差异等同于社会群体偏差。可考虑复用约束思想，改造 EEG 图构建与任务预测模块；低信噪比、通道差异及小样本可能使属性估计不稳定，约束也可能压制真实任务信息。一个可检验的小实验是在具有合法群体元数据的 EEG 数据上，固定 Cross-subject 划分和图构建，对比同一 GNN 加入与不加入公平性约束时的任务性能与群体公平性，并核对二者权衡。该建议不是论文已验证结果，已有 EEG 相关工作尚未检索确认。