Bridging the Fairness Divide: Achieving Group and Individual Fairness in Graph Neural Networks

图神经网络（GNNs）已成为分析和学习结构化为图形的复杂数据的强大工具，在社交网络分析、推荐系统和药物发现等各种应用中展示了显著的效果。然而，尽管其表现出色，公平性问题越来越受到关注。图学习领域的现有研究集中于群体公平性或个体公平性。然而，由于每个概念从不同的角度提供了公平性的独特见解，将它们整合到一个公平的图神经网络系统中至关重要。据我们所知，尚未有研究全面解决群体公平性和个体公平性两个问题。在本文中，我们提出了一个名为Fairness for Group and Individual（FairGI）的新概念，该概念考虑了图学习背景下群体公平性和组内个体公平性。FairGI利用个体相似性矩阵实现组内个体公平性，同时利用对抗学习解决了平等机会和统计平等两个方面的群体公平性问题。实验结果表明，我们的方法不仅在群体公平性和组内个体公平性方面优于其他最先进的模型，而且在维持可比较的预测准确性的同时，表现出了优秀的个体公平性。

本论文旨在解决图神经网络中的公平性问题，同时考虑个体公平性和群体公平性。目前的图学习研究集中在个体公平性或群体公平性上，没有综合考虑两者。

论文提出了一种新的概念，即群体内的个体公平性，并提出了一个名为FairGI的框架，该框架考虑了图学习中的群体公平性和群体内的个体公平性。FairGI利用个体的相似矩阵实现群体内的个体公平性，并利用对抗学习来解决群体公平性问题。

论文通过实验验证了该方法在群体公平性和群体内个体公平性方面的优越性，并在保持预测准确性的同时，展现了出色的个体公平性表现。论文还使用了多个数据集进行实验，并提供了开源代码。

近年来，图学习中的公平性问题已经引起了越来越多的关注。与本论文相关的研究有：《A Survey on Fairness in Graph Representation Learning》、《Fairness in Graph Neural Networks: A Survey》等。