FairProp：通过可微传播层实现公平的节点表征学习

FairProp 研究 GNN 消息传递可能放大拓扑偏差的问题，针对节点分类、链接预测和节点回归，结合群体公平性理论分析与受约束的图传播优化，学习兼顾下游任务效用与公平性的节点表征。基于摘要分析，未取得论文全文。 理论方面，作者报告推导了适用于任意数量敏感群体的人口统计均等差距（demographic parity gap）上界：节点分类的界不松于最接近的已有界；链接预测直接约束经过 sigmoid 激活的实际预测，而非激活前的代理量；作者称首次建立节点回归的相应上界。分析指出，最终表征中的群体均值分离与组内协方差是两类偏差来源。这些结论的假设及适用范围仍需全文核对。 方法方面，FairProp 在 APPNP 所求解的凸特征平滑问题中加入群体均值差距的凸约束和组内协方差正则项，再展开投影梯度下降，形成“传播步骤＋闭式投影”的可微层。作者报告该过程线性收敛至唯一的公平最优解；这里的“公平”应理解为论文所定义约束下的性质，而非所有公平性标准。 作者报告，在三类任务的基准数据集实验中，即使精确对齐群体均值，FairProp 相对所比较基线仍取得较好的公平性—效用权衡。摘要未提供数据集名称、划分、指标数值及具体基线，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究将被试作为图节点，并具有可用的敏感群体标签，该机制或可用于检验图传播是否扩大群体间预测差异；可复用的是传播与投影模块，需改造的是图构建、EEG 特征及任务输出。假设是群体均值约束能够减少预测偏差而不抹除任务相关信号，但低信噪比、小样本、通道配置差异及群体与标签混杂均可能使其失效。可在固定被试级划分下，对照 APPNP 与 FairProp，联合检验任务指标和人口统计均等差距。原领域结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。