FairProp：通过可微传播层学习公平的节点表征

基于摘要分析。该研究针对 GNN 消息传递可能放大图拓扑偏差的问题，分析节点分类、链接预测和节点回归的下游预测群体公平性，并提出 FairProp，将公平性约束直接嵌入表征传播过程。 理论上，作者针对任意数量的敏感群体给出 demographic parity gap（人口统计均等差距）的界，并将偏差来源分解为最终表征的群体均值分离与群体内协方差。作者报告，节点分类的界不比最接近的既有结果更松；作者声称，链接预测部分首次约束实际部署时经过 sigmoid 激活的预测，而非激活前的代理量，节点回归部分也首次给出此类界。这些比较及“首次”主张尚需结合正文与相关文献核对。 方法上，FairProp 在 APPNP 背后的凸平滑问题中加入凸的群体均值约束和群体内协方差正则项，再将投影梯度下降展开为可微传播层；每层结合传播步骤与闭式投影。作者报告，该过程可线性收敛至唯一的公平最优解，但具体假设、正则形式及收敛适用条件尚未验证。 实验覆盖上述三类任务。作者报告，即使仅使用精确群体均值均等化，FairProp 也能相对强基线获得良好的公平性与任务效用权衡。摘要未提供数据集、划分、指标或数值，实验协议、消融及统计信息尚未验证；复现需核对敏感群体信息的使用阶段、约束实现、超参数与基线设置。 平台推测（待验证）：若 EEG 任务采用图表征，且具有明确、合理的敏感群体定义，该传播机制可能用于检验群体预测差异，但原领域有效不等于 BCI 有效。可复用的是传播与投影框架，需改造图构建及任务头；低信噪比、通道差异、小样本及群体与标签分布相关性可能使均值均等化损害判别信息。一个可证伪的小实验是在固定跨被试划分下，对比 APPNP 与加入群体均值约束的版本，同时检查任务指标和群体公平性差距。已有 EEG 相关工作尚未检索确认。