17吃瓜网 罗仁强助理教授的论文“Utility-Preserving Federated Graph Learning with Dual-Perspective Fairness”被人工智能领域顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)》录用。论文第一作者为罗仁强助理教授，其他合作者涵盖多个国内外机构，包括：阿德莱德大学（澳大利亚）、皇家墨尔本理工（澳大利亚）、密苏里科技大学（美国）、香港理工大学、大连理工大学。

本文关注的是联邦图神经网络中的公平性问题。公平感知的联邦图神经网需要同时考虑服务端和客户端两方的需求。然而，由于分布式学习框架的限制，现有的公平感知方法在提升双视角（即服务端和客户端）公平性时，往往难以避免牺牲模型效用。正因如此，公平感知图学习方法在联邦框架下的效用损失问题甚至变得更加严重。本文提出F3GL——一种双视角公平联邦图学习方法，它在保持模型效用的同时，能够同时增强全局公平性（面向服务端）和局部公平性（面向客户端）。通过理论分析，本文揭示原始敏感特征与不同频谱下卷积后特征之间的相似性。研究结果表明，只有主特征值有助于增强这种相似性。此外，本文的理论分析对客户端和服务端均具有普适性。具体而言，采用一种专门的特征值选择策略，可以有效地同时优化局部和全局公平性。基于这些发现，本文从谱图理论的角度出发，在不牺牲模型效用的前提下，成功提升双视角公平性。在多个真实世界数据集上的实验结果表明，F3GL在性能上优于现有的基线方法。。

    IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）是国际上人工智能领域顶刊之一，是CCF推荐A类期刊。