グラフニューラルネットワーク（GNN）は、ノードの特徴や構造を通じてメッセージを伝達することで関係データに優れた性能を発揮しますが、トレーニングデータのバイアスを強化し、不公平な結果を導く可能性があります。本研究では、GNNにおけるバイアスの複雑性を軽減するために、特徴、構造、拡散の視点に分解するマルチビュー情報ボトルネックフレームワーク「FairMIB」を提案します。FairMIBは、対比学習を用いて視点間の相互情報を最大化し、バイアスのない表現学習を実現します。また、感受性のある属性との相互情報を最小化することで、タスクの有用性と公平性を両立させる新たな条件情報ボトルネックを統合しています。実験の結果、FairMIBは実世界のデータセットにおいて有用性と公平性の両方の指標で最先端の性能を達成しました。