核心发现
方法论
本文提出了一种新的分类方法，将现有的公平感知网络嵌入方法分为三大类：基础嵌入方法（如光谱、随机游走、图神经网络等）、公平干预策略（如预处理、处理中、后处理）和公平目标标准（嵌入级或任务级）。每种方法都有其独特的机制和应用场景。
关键结果
- 研究表明，CrossWalk方法在减少敏感属性影响方面表现优异，显著提高了下游任务的公平性。
- Fairwalk方法通过平衡随机游走的过渡概率，实现了各组的公平表示。
- 在图神经网络中，FairGNN通过对抗性学习有效地减少了敏感信息的泄露。
研究意义
该研究为复杂网络的公平感知嵌入提供了统一的视角，推动了公平和可信的网络表示学习方法的发展。它解决了传统嵌入方法中存在的社会偏见问题，对学术界和工业界都有重要影响。
技术贡献
本文的技术贡献在于提出了一种新的方法分类体系，并详细分析了每种方法的优缺点。它为开发新的公平网络嵌入方法提供了理论基础，并指出了现有方法的局限性。
新颖性
这是首次系统性地将公平感知网络嵌入方法进行分类，并提出了三维分类法，填补了现有研究的空白。
局限性
- 现有方法在处理多类敏感属性时表现有限，需进一步研究。
- 大多数方法假设敏感属性完全可用，实际应用中可能不成立。
未来方向
未来研究可以探索处理部分观察到的敏感属性的方法，以及在无敏感属性标签的情况下实现公平性的技术。
AI 总览摘要
网络嵌入方法在支持节点分类、链接预测等下游任务中扮演重要角色。然而，传统方法可能会编码和放大社会偏见，导致不公平的结果。
本文综述了公平感知网络嵌入方法，提出了一种新的分类体系，将现有方法分为基础嵌入方法、公平干预策略和公平目标标准三大类。通过对比不同方法在群体和个体公平性上的表现，本文为开发公平和可信的网络表示学习方法提供了参考。
尽管现有方法在减少偏见方面取得了一定进展，但仍存在处理多类敏感属性的挑战。未来研究可以探索新的方法来应对这些挑战，推动公平网络嵌入技术的发展。
深度分析
研究背景
网络嵌入技术用于将图结构数据映射到低维向量空间，以支持下游任务。传统方法如DeepWalk和Node2vec在捕获网络结构信息方面表现出色，但可能会放大社会偏见。
核心问题
核心问题在于如何在保持嵌入效用的同时，减少对敏感属性的偏见。由于网络结构中固有的社会不平等，传统方法可能导致不公平的下游任务结果。
核心创新
本文提出了一种新的分类体系，将公平感知网络嵌入方法分为基础嵌入方法、公平干预策略和公平目标标准三大类。这种分类方法有助于系统性地分析和比较不同方法的优缺点。
方法详解
- �� 基础嵌入方法：包括光谱、随机游走、图神经网络等。
- �� 公平干预策略：分为预处理、处理中和后处理。
- �� 公平目标标准：分为嵌入级和任务级。
实验设计
实验设计包括对比不同方法在多个数据集上的表现，如Fairwalk和CrossWalk在减少偏见方面的效果。使用的指标包括统计公平性和机会均等性。
结果分析
研究表明，CrossWalk在减少敏感属性影响方面表现优异，而Fairwalk通过平衡随机游走的过渡概率，实现了各组的公平表示。
应用场景
公平感知网络嵌入可应用于社交网络分析、推荐系统和生物网络等领域，帮助减少偏见，提高模型的公平性。
局限与展望
现有方法在处理多类敏感属性时表现有限，且大多数方法假设敏感属性完全可用，实际应用中可能不成立。
通俗解读 非专业人士也能看懂
想象你在一个大型超市中购物。每个货架代表一个节点，而货架之间的通道则是边。传统的网络嵌入方法就像是根据货架的摆放位置来决定商品的推荐，但这可能导致一些商品被忽视。公平感知网络嵌入方法则会考虑到每个货架上商品的多样性，确保每种商品都有机会被推荐。这就像是超市的管理者在设计货架布局时，考虑到了不同顾客的需求，确保每个顾客都能找到自己需要的商品。
简单解释 像给14岁少年讲一样
想象你在玩一个大型多人在线游戏。每个玩家都是一个节点，玩家之间的互动就是边。传统的网络嵌入方法可能会导致某些玩家总是被推荐给其他玩家，而其他玩家则被忽视。公平感知网络嵌入方法就像是游戏中的一个新机制，它会确保每个玩家都有机会被推荐给其他玩家。这就像是游戏中的一个新功能，确保每个玩家都有机会展示自己的技能，而不是总是被那些热门玩家所掩盖。
术语表
网络嵌入 (Network Embedding)
将图结构数据映射到低维向量空间的过程，用于支持下游任务。
用于节点分类和链接预测等任务。
公平性 (Fairness)
在机器学习中，公平性指的是减少模型对敏感属性的偏见。
在网络嵌入中，确保不同群体的公平表示。
图神经网络 (Graph Neural Network)
一种用于处理图结构数据的深度学习模型，通过聚合邻居节点的信息来学习节点表示。
用于提高网络嵌入的表达能力。
随机游走 (Random Walk)
在图中随机选择节点并移动到相邻节点的过程，用于捕获节点的上下文信息。
用于生成节点的上下文以学习嵌入。
对抗性学习 (Adversarial Learning)
一种训练方法，通过对抗性模型来减少敏感信息的泄露。
用于在图神经网络中实现公平性。
开放问题 这项研究留下的未解疑问
- 1 如何在无敏感属性标签的情况下实现公平性？现有方法大多依赖于完整的敏感属性信息。
- 2 如何处理多类敏感属性？现有方法在多类敏感属性下的表现有限。
应用场景
近期应用
社交网络分析
通过公平感知网络嵌入，减少社交网络中的偏见，提高推荐系统的公平性。
远期愿景
生物网络分析
在生物网络中应用公平感知嵌入，帮助识别潜在的生物标记物，推动精准医疗的发展。
原文摘要
Network embedding methods learn low-dimensional representations of graph-structured data to support downstream tasks such as node classification, link prediction, and influence maximization. However, real-world networks often reflect structural inequalities arising from demographic imbalances, homophily, and other societal biases, which fairness-agnostic embedding methods can encode and amplify. To address this issue, numerous fairness-aware network embedding methods have been proposed to mitigate bias while preserving embedding utility. This survey presents a comprehensive overview of fairness-aware network embeddings for complex networks. We propose a taxonomy that categorizes existing methods along three main complementary dimensions: underlying embedding approach (spectral, random walk, graph neural network, Bayesian, and method-agnostic), fairness intervention strategy (pre-processing, in-processing, and post-processing), and fairness objective criterion (embedding- or task-level). We further compare methods with respect to group versus individual fairness and assumptions regarding sensitive attributes. Finally, we discuss current limitations and highlight promising future research directions. This survey provides a unified perspective on fairness-aware network embedding and serves as a reference for developing fair and trustworthy network representation learning methods.