报告主题：FairGX：图学习的算法公平性

报  告 人：罗仁强

报告时间：2026年06月07日（周日）上午9:30-12:00

报告地址：计算机大楼A411

报告摘要：

本次学术报告聚焦于图学习领域的前沿演进——增强图学习（Augmented Graph Learning, AGL）中的公平性挑战，深入探讨“FairGX”这一新兴研究范式。随着联邦学习、图Transformer及图凝聚等专用机器学习技术与图学习的深度融合，AGL在提升模型效用的同时，也引入了传统图神经网络去偏框架难以应对的交叉公平性难题。报告将首先剖析从传统公平性感知的图学习向FairGX范式的转变，重点揭示机器学习增强技术中固有的新型偏差来源，例如联邦聚合中的双边差异以及注意力头的偏斜问题。在此基础上，报告将展示一个结构化的分类体系，依据技术融合方式与公平性目标对现有文献进行系统梳理。此外，报告还将深入分析不同机器学习范式对算法公平性的具体影响，特别强调在以人为本的应用场景中面临的独特挑战，以及当前缺乏统一框架的现状。最后，报告将展望该领域的五个关键未来发展方向，包括面向AGL的新型评估指标、公平性与隐私保护的协同机制，以及公平性感知的大语言模型与图学习交互研究。本报告旨在为构建复杂机器学习环境下稳健且公平的图系统提供一份基础性的路线图。

报告人简介：

罗仁强，吉林大学计算机学院/网络安全学院助理教授。主要研究方向为图学习、社会计算、可信人工智能等。以第一责任作者发表 CCF A类高水平期刊及会议学术论文10余篇。所在研究组（Trustworthy Epsilon Lab）成立于2026年，目前团队成员30余人，涵盖本科生、硕士生和博士生，以及多位海外博士后、助理教授。受邀担任IEEE TNNLS、ACM TKDD、KDD、AAAI、NeurIPS、WWW等10余部顶级/重要国际期刊审稿人。罗仁强是CCF 第二届图机器学习会议海报主席，以及CAAI 第十一届全国大数据与社会计算学术会议新星。