近日，中国计算机学会（CCF）推荐的A类国际学术会议THE ACM WEB CONFERENCE 2026论文接收结果公布。我院教师的研究论文“MultiFPT: Towards Multi-Attribute Fairness in Pre-Trained Graph Neural Networks via Prompt Tuning”被录用。我院为该成果的第一完成单位，我院教师曹萌为该论文第一作者。

        The ACM Web Conference（前身为International World Wide Web Conference）由国际万维网会议委员会（IW3C2）发起主办，是Web科学与技术领域的顶级国际学术会议之一。本届THE WEB CONFERENCE 2026会议竞争异常激烈，共收到来自全球3,370篇有效投稿，最终仅录用了676篇论文，录用率为20.1%。 

图1. MultiFPT框架概览

       预训练图神经网络在图挖掘任务中已展现出优异性能，但其往往会放大针对受保护人群的社会偏见。现有公平性感知方法主要解决基于单一敏感属性（如性别或种族）的歧视问题，却忽略了现实场景中个体往往具有多个重叠的人口统计学特征，这会导致对少数群体的不公平对待。此外，在预训练图神经网络中加入额外公平性约束通常需要对模型进行完整重训练，计算代价高昂且往往不具备实用性。为解决上述局限，本文提出一种新颖的多属性公平感知提示调优框架MultiFPT。该方法包含两个关键阶段：在图提示学习阶段，MultiFPT将公平感知的结构提示与特征提示注入预训练图神经网络输入中；在适配器调优阶段，通过由Hilbert–Schmidt独立准则正则化的轻量级适配器，强制节点表示与多个敏感属性之间保持统计独立。在真实数据集上的实验表明，MultiFPT显著提升了多属性公平性，在节点分类任务中平均降低约30%的偏见，同时相较于当前最优基线方法仍保持具有竞争力的预测性能。