调查论文详述公平感知网络嵌入方法

本调查论文全面概述了公平感知网络嵌入方法，旨在减轻图结构数据表示中的偏差。它根据底层嵌入技术（例如，谱嵌入、随机游走、图神经网络、贝叶斯）、公平干预策略（预处理、中处理、后处理）和公平目标标准对现有方法进行了分类。论文还比较了群体公平与个体公平的方法，并讨论了开发可信赖网络表示学习的未来研究方向。 AI

影响 为复杂网络中的公平表示学习提供了统一视角，指导了可信赖人工智能的未来研究。

排序理由 该条目是一篇在arXiv上发表的调查论文，详细介绍了特定人工智能研究领域的**方法**和**挑战**。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• Bayes' theorem
• CatalyzeX
• DagsHub
• Fairness-Aware Network Embeddings
• graph neural network
• Hugging Face
• network embedding
• random walk

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →