近日，华南理工大学电子商务系杨明奇助理教授与大数据管理与应用专业首届本科生刘兆宇合作完成的论文“Fair Graph Learning Needs Expressiveness: Rethinking Fairness fromthe Spectral Perspective”获国际学术期刊《ACM数据知识发现汇刊》（ACMTransactions on Knowledge Discovery from Data，TKDD）录用。论文从谱域视角重新审视图神经网络的公平性问题，揭示了模型表达能力与预测公平性之间的内在联系。

  TKDD由美国计算机协会（ACM）主办，创刊于2007年，首任主编为美国伊利诺伊大学厄巴纳-香槟分校韩家炜教授。期刊主要发表知识发现与数据挖掘领域的理论、算法与应用研究成果，是该领域重要的国际学术期刊。

论文简介

Fair Graph Learning NeedsExpressiveness: Rethinking Fairness from the Spectral Perspective

作者：杨明奇、刘兆宇

图神经网络擅长从社交关系、交易往来等关联数据中学习规律，已广泛应用于社交网络分析、推荐系统、分子性质预测等领域。然而，模型在学习数据规律的同时，也可能继承甚至放大数据中隐含的社会偏见，在贷款审批、保释决策等高风险场景中，对不同性别、种族、年龄的群体作出有失公平的预测。如何让图神经网络作出公平的决策，是可信人工智能领域的重要课题。

现有公平图学习方法默认骨干网络保持不变，在输入数据、训练目标上叠加各类“去偏”操作。论文对这一普遍假设提出了质疑。研究从谱域视角证明：表达能力不足的骨干网络（如常用的图卷积网络）只能利用少数固定的频率成分，其表示空间受到严格限制，在这类骨干网络上即使施加较强的去偏操作，预测结果与敏感属性之间的关联仍难以消除。因此，足够的谱表达能力是消除这种关联的必要前提。

基于这一发现，论文提出了全新的公平图学习框架。与流行的在固定骨干网络之上堆叠复杂去偏模块的思路不同，论文方法把设计重心放在骨干网络本身：采用具备通用谱表达能力的图Transformer作为骨干，仅搭配一个轻量的去偏模块。该方法在涵盖信用评估、收入预测、保释决策和社交网络等场景的多个真实数据集上保持较高预测精度的同时，取得了优秀的公平性表现。研究表明，骨干网络的表达能力应成为公平图学习模型设计的关键考量，并可与现有去偏技术形成互补。

院系简介

   电子商务系是直属学校的院级系，以管理科学与工程为主建学科。近年来坚持“数智引领、融合赋能”的发展理念，持续建设大数据与人工智能方向：2023年开设大数据管理与应用本科专业，2024年增设数据科学与智能管理博士、硕士学科方向，并持续引进具有数据科学与人工智能研究背景的青年人才。此次师生合作论文获TKDD录用，体现了该系在数据挖掘与可信人工智能方向的研究积累，以及将本科专业建设、科研训练与前沿研究相结合的成效。

杨明奇助理教授简介

   杨明奇，华南理工大学电子商务系助理教授，大连理工大学博士，曾为新加坡国立大学访问博士生、博士后研究员。主要研究方向为机器学习、图数据挖掘、大语言模型、数据科学与商务智能，为本科生和研究生讲授《图深度学习》《大语言模型与提示工程》等课程。代表性成果发表于NeurIPS、ICML、KDD、AAAI、TKDE、TKDD、WWW等人工智能与数据挖掘领域国际顶级会议和期刊。

相关成果链接：论文页面（ACM Digital Library）。