图是一种普遍存在的数据类型，出现在许多现实世界的应用中，包括社会网络分析、建议和财务安全。尽管这很重要，但几十年的研究已经发展出了丰富的计算模型来挖掘图表。尽管它很繁荣，但最近对潜在的算法歧视的担忧有所增长。图上的算法公平性是一个有吸引力但又具有挑战性的研究课题，它旨在减轻图挖掘过程中引入或放大的偏差。第一个挑战对应于理论挑战，图数据的非IID性质不仅可能使许多现有公平机器学习研究背后的基本假设失效，而且还可能基于节点之间的相互关联而不是现有公平机器学习中的公平定义引入新的公平定义。第二个挑战是关于算法方面的，目的是理解如何在模型准确性和公平性之间取得平衡。本教程旨在(1) 全面回顾最先进的技术，以加强图的算法公平，(2) 启发开放的挑战和未来的方向。我们相信本教程可以使数据挖掘、人工智能和社会科学领域的研究人员和从业者受益。 http://jiank2.web.illinois.edu/tutorial/kdd22/algofair_on_graphs.html

Introduction

Background and motivations * Problem definitions and settings * Key challenges * Part I: Group Fairness on Graphs

Fair graph ranking * Fair graph clustering * Fair graph embedding * Part II: Individual Fairness on Graphs

Optimization-based method * Ranking-based method * Part III: Other Fairness on Graphs

Counterfactual fairness * Degree-related fairness * Part IV: Beyond Fairness on Graphs

Related problems * Explainability * Accountability * Robustness * Part V: Future Trends

Fairness on dynamic graphs * Benchmark and evaluation metrics * Fairness vs. other social aspects