この論文では、知識グラフにおける公平性を考慮したグラフニューラルネットワーク（GNN）の性能を評価するためのベンチマーク研究を行っています。GNNは、グラフ構造データから学習する強力なツールですが、しばしば敏感な属性に基づいて偏った予測を生成します。公平性を考慮したGNNに関する以前の研究はありますが、知識グラフに対する評価は行われていませんでした。この研究では、YAGO、DBpedia、Wikidataの3つの知識グラフから新しいグラフを生成し、既存のデータセットよりも大きな規模で分析を行いました。得られた結果では、知識グラフが他のデータセットとは異なる傾向を示し、予測精度と公平性のトレードオフがより明確であることが明らかになりました。また、GNNのパフォーマンスは、公平性を考慮したGNNの手法だけでなく、GNNのバックボーンや早期停止条件にも大きく影響されることがわかりました。