Toward Structure Fairness in Dynamic Graph Embedding: A Trend-aware Dual Debiasing Approach

最近的研究成功地学习了静态图嵌入，通过防止高度和低度顶点组在下游图挖掘任务中的有效性差异来实现结构公平。然而，在动态图嵌入中实现结构公平仍然是一个未解决的问题。忽略动态图中的度数变化将显着损害嵌入的有效性，而没有明显改善结构公平。这是因为高度顶点和低到高度顶点的嵌入性能将显着下降，接近幂律分布长尾部分的大多数轻微变化顶点的一般较差的嵌入性能。我们首先基于顶点度数的演变趋势确定动态图中的偏差结构演变，然后提出了FairDGE，第一个结构公平的动态图嵌入算法。FairDGE通过联合嵌入顶点之间的连接变化和顶点度数的长短期演化趋势来学习有偏的结构演化。此外，还设计了一种新颖的双重去偏置方法来对比编码公平嵌入，并为不同的有偏结构演化定制去偏置策略。这种创新的去偏置策略打破了嵌入的有效性瓶颈，而不会明显损失公平性。大量实验证明，FairDGE实现了嵌入的效果和公平性的同时提高。

本论文试图解决动态图嵌入中的结构公平性问题，尤其是在考虑节点度数变化时。

本论文提出了一种名为FairDGE的算法，通过同时嵌入节点之间的连接变化和节点度数的长短期演变趋势来学习偏差结构演变，并采用新颖的双重去偏置方法，定制不同偏差结构演变的去偏置策略，从而在不影响公平性的情况下提高嵌入的效果。

本论文的亮点包括提出了第一个结构公平的动态图嵌入算法，使用了自己构建的数据集进行实验，并与其他算法进行了比较。实验结果表明，FairDGE算法在提高嵌入效果和公平性方面都取得了显著的成果。

近期的相关研究包括Static Graph Embedding领域的结构公平性研究，例如Structural Deep Network Embedding和Fairwalk算法。